快速入门

0 包加载

PyTorch有两个处理数据的原语： torch.utils.data.DataLoader和torch.utils.data.Dataset。 Dataset存储样本及其相应的标签，并DataLoader在周围包裹一个可迭代的对象Dataset。

import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda, Compose
import matplotlib.pyplot as plt

1 数据库和数据导入

PyTorch提供了特定领域的库，例如TorchText， TorchVision和TorchAudio，所有这些库都包含数据集。在本教程中，我们将使用TorchVision数据集。

# Download training data from open datasets.
training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor(),
)

# Download test data from open datasets.
test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor(),
)

2 数据处理

将Dataset当作参数传递给DataLoader。这在我们的数据集上包装了一个可迭代的对象，并支持自动批处理，采样，改组和多进程数据加载。在这里，我们将批处理大小定义为64，即，可迭代的数据加载器中的每个元素将返回一批64个功能部件和标签。

batch_size = 64

# Create data loaders.
train_dataloader = DataLoader(training_data, batch_size=batch_size)
test_dataloader = DataLoader(test_data, batch_size=batch_size)

for X, y in test_dataloader:
    print("Shape of X [N, C, H, W]: ", X.shape)
    print("Shape of y: ", y.shape, y.dtype)
    break

3.1 创建模型

为了在PyTorch中定义一个神经网络，我们创建了一个从nn.Module继承的类。我们在__init__函数中定义网络的层，并在函数中指定数据如何通过网络forward。为了加速神经网络中的操作，我们将其移至GPU（如果有）

# Get cpu or gpu device for training.
device = "cuda" if torch.cuda.is_available() else "cpu"
print("Using {} device".format(device))

# Define model
class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10),
            nn.ReLU()
        )

    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

model = NeuralNetwork().to(device)
print(model)

3.2-4 前项传播/损失函数/优化器

训练模型，我们需要损失函数和优化器。

1 2	loss_fn = nn.CrossEntropyLoss() optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)

3.5 反向传播

在单个训练循环中，模型对训练数据集进行预测（分批进给），然后反向传播预测误差以调整模型的参数。

def train(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)
    for batch, (X, y) in enumerate(dataloader):
        X, y = X.to(device), y.to(device)

        # Compute prediction error
        pred = model(X)
        loss = loss_fn(pred, y)

        # Backpropagation
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        if batch % 100 == 0:
            loss, current = loss.item(), batch * len(X)
            print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")

4 验证模型

我们还将对照测试数据集检查模型的性能，以确保模型正在学习。

def test(dataloader, model):
    size = len(dataloader.dataset)
    model.eval()
    test_loss, correct = 0, 0
    with torch.no_grad():
        for X, y in dataloader:
            X, y = X.to(device), y.to(device)
            pred = model(X)
            test_loss += loss_fn(pred, y).item()
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()
    test_loss /= size
    correct /= size
    print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")

训练过程是在几个迭代（历元）上进行的。在每个时期，模型都会学习参数以做出更好的预测。我们在每个时期打印模型的准确性和损失；我们希望看到每个时期的精度都会提高而损耗会降低。

epochs = 5
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train(train_dataloader, model, loss_fn, optimizer)
    test(test_dataloader, model)
print("Done!")

5 使用模型

保存模型

保存模型的常用方法是序列化内部状态字典（包含模型参数）。

1 2	torch.save(model.state_dict(), "model.pth") print("Saved PyTorch Model State to model.pth")

加载模型

加载模型的过程包括重新创建模型结构并将状态字典加载到其中

1 2	model = NeuralNetwork() model.load_state_dict(torch.load("model.pth"))

模型预测

现在可以使用该模型进行预测。

classes = [
    "T-shirt/top",
    "Trouser",
    "Pullover",
    "Dress",
    "Coat",
    "Sandal",
    "Shirt",
    "Sneaker",
    "Bag",
    "Ankle boot",
]

model.eval()
x, y = test_data[0][0], test_data[0][1]
with torch.no_grad():
    pred = model(x)
    predicted, actual = classes[pred[0].argmax(0)], classes[y]
    print(f'Predicted: "{predicted}", Actual: "{actual}"')

30 快速入门