基础篇
【16 PyTorch 神经网络基础】 https://www.bilibili.com/video/BV1AK4y1P7vs
5.1 层和块
块（block）可以描述单个层、由多个层组成的组件或整个模型本身。使用块的好处是我们可以随意组装、搭配、嵌套我们的模型。
经典nn.Sequential
import torch
from torch import nn
from torch.nn import functional as F
net = nn.Sequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
X = torch.rand(2, 20)
net(X)
自定义块
class MLP(nn.Module):
# 用模型参数声明层。这里，我们声明两个全连接的层
def __init__(self):
# 调用MLP的父类Module的构造函数来执行必要的初始化。
# 这样，在类实例化时也可以指定其他函数参数，例如模型参数params（稍后将介绍）
super().__init__()
self.hidden = nn.Linear(20, 256) # 隐藏层
self.out = nn.Linear(256, 10) # 输出层
# 定义模型的前向传播，即如何根据输入X返回所需的模型输出
def forward(self, X):
# 注意，这里我们使用ReLU的函数版本，其在nn.functional模块中定义。
return self.out(F.relu(self.hidden(X)))
net = MLP()
net(X)
自定义块2-在前向传播函数中执行代码
class FixedHiddenMLP(nn.Module):
def __init__(self):
super().__init__()
# 不计算梯度的随机权重参数。因此其在训练期间保持不变
self.rand_weight = torch.rand((20, 20), requires_grad=False)
self.linear = nn.Linear(20, 20)
def forward(self, X):
X = self.linear(X)
# 使用创建的常量参数以及relu和mm函数
X = F.relu(torch.mm(X, self.rand_weight) + 1)
# 复用全连接层。这相当于两个全连接层共享参数
X = self.linear(X)
# 控制流
while X.abs().sum() > 1:
X /= 2
return X.sum()
net = FixedHiddenMLP()
net(X)
自定义块3-混合搭配各种组合块的方法
class NestMLP(nn.Module):
def __init__(self):
super().__init__()
self.net = nn.Sequential(nn.Linear(20, 64), nn.ReLU(),
nn.Linear(64, 32), nn.ReLU())
self.linear = nn.Linear(32, 16)
def forward(self, X):
return self.linear(self.net(X))
chimera = nn.Sequential(NestMLP(), nn.Linear(16, 20), FixedHiddenMLP())
chimera(X)
注：nn.ReLU()和F.relu()的区别：两种方法都是使用relu激活，只是使用的场景不一样。F.relu()是函数调用，一般使用在foreward函数。nn.ReLU()是模块调用，一般在定义网络层的时候使用。
5.2 参数管理
首先定义一个具有单隐藏层的多层感知机
import torch
from torch import nn
net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 1))
X = torch.rand(size=(2, 4))
net(X)
1. 查看参数
如何查看nn中任意层的权重值。如下所示，我们可以检查第二个全连接层的参数。
print(net[2].state_dict())
输出：OrderedDict([(‘weight’, tensor([[ 0.3016, -0.1901, -0.1991, -0.1220, 0.1121, -0.1424, -0.3060, 0.3400]])), (‘bias’, tensor([-0.0291]))])
可以看到nn.Linear(8, 1)这一层的 ‘weight’ 和 ‘bias’ 。
目标参数
可以具体获取某个参数的值
print(net[2].bias.data)
除了值之外，我们还可以访问每个参数的梯度。
net[2].weight.grad
查看嵌套块的参数
定义了一个网络rgnet，print查看其结构
print(rgnet)
输出：
Sequential(
(0): Sequential(
(block 0): Sequential(
(0): Linear(in_features=4, out_features=8, bias=True)
(1): ReLU()
(2): Linear(in_features=8, out_features=4, bias=True)
(3): ReLU()
)
(block 1): Sequential(
(0): Linear(in_features=4, out_features=8, bias=True)
(1): ReLU()
(2): Linear(in_features=8, out_features=4, bias=True)
(3): ReLU()
)
(block 2): Sequential(
(0): Linear(in_features=4, out_features=8, bias=True)
(1): ReLU()
(2): Linear(in_features=8, out_features=4, bias=True)
(3): ReLU()
)
(block 3): Sequential(
(0): Linear(in_features=4, out_features=8, bias=True)
(1): ReLU()
(2): Linear(in_features=8, out_features=4, bias=True)
(3): ReLU()
)
)
(1): Linear(in_features=4, out_features=1, bias=True)
)
然后可以通过索引访问它们：
rgnet[0][1][0].bias.data
2. 参数初始化
内置初始化
PyTorch的nn.init模块提供了多种预置初始化方法。
下面的代码将所有权重参数m.weight初始化为标准差为0.01的高斯随机变量， 且将偏置参数m.bias设置为0。
def init_normal(m):
if type(m) == nn.Linear:
nn.init.normal_(m.weight, mean=0, std=0.01) # 右下划线表示inplace操作
nn.init.zeros_(m.bias)
net.apply(init_normal)
net[0].weight.data[0], net[0].bias.data[0]
还可以将所有参数初始化为给定的常数，比如初始化为1。
nn.init.constant_(m.weight, 1)
使用Xavier初始化方法初始化第一个神经网络层
def init_xavier(m):
if type(m) == nn.Linear:
nn.init.xavier_uniform_(m.weight)
def init_42(m):
if type(m) == nn.Linear:
nn.init.constant_(m.weight, 42)
net[0].apply(init_xavier)
net[2].apply(init_42)
print(net[0].weight.data[0])
print(net[2].weight.data)
自定义初始化
在下面的例子中，我们使用以下的分布为任意权重参数w定义初始化方法：
\begin{split}\begin{aligned} w \sim \begin{cases} U(5, 10) & \text{ 可能性 } \frac{1}{4} \\ 0 & \text{ 可能性 } \frac{1}{2} \\ U(-10, -5) & \text{ 可能性 } \frac{1}{4} \end{cases} \end{aligned}\end{split}
同样，我们实现了一个my_init函数来应用到net。
def my_init(m):
if type(m) == nn.Linear:
print("Init", *[(name, param.shape)
for name, param in m.named_parameters()][0])
nn.init.uniform_(m.weight, -10, 10) # 根据[-10, 10]均匀分布生成一个值
m.weight.data *= m.weight.data.abs() >= 5 # 如果值在[-5, 5]则改为0
net.apply(my_init)
net[0].weight[:2]
注意，我们始终可以直接设置参数。
net[0].weight.data[:] += 1
net[0].weight.data[0, 0] = 42
net[0].weight.data[0]
3. 参数绑定
有时我们希望在多个层间共享参数： 我们可以定义一个稠密层，然后使用它的参数来设置另一个层的参数。
# 我们需要给共享层一个名称，以便可以引用它的参数
shared = nn.Linear(8, 8)
net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(),
shared, nn.ReLU(),
shared, nn.ReLU(),
nn.Linear(8, 1))
net(X)
此时，net[2]和net[4]参数是同一个对象。如果改变其中一个参数，另一个参数也会改变。参数绑定后，在反向传播期间，梯度也会直接加在一起。
5.3 延后初始化
torch.nn.LazyLinear()
5.4 自定义层
不带参数的层
import torch
import torch.nn.functional as F
from torch import nn
class CenteredLayer(nn.Module):
def __init__(self):
super().__init__()
def forward(self, X):
return X - X.mean() # 可以使输出向量的均值为0
layer = CenteredLayer()
layer(torch.FloatTensor([1, 2, 3, 4, 5]))
输出：tensor([-2., -1., 0., 1., 2.])
# 可以像pytorch内置（自带）的层那样使用
net = nn.Sequential(nn.Linear(8, 128), CenteredLayer())
带参数的层
class MyLinear(nn.Module):
def __init__(self, in_units, units):
super().__init__()
# 实例化一个weight，shape为(in_units, units)
self.weight = nn.Parameter(torch.randn(in_units, units))
# 实例化bias
self.bias = nn.Parameter(torch.randn(units,))
def forward(self, X):
linear = torch.matmul(X, self.weight.data) + self.bias.data # W*X+b
return F.relu(linear)
# 实例化MyLinear类并访问其模型参数
linear = MyLinear(5, 3)
linear.weight
输出：Parameter containing:
tensor([[ 1.9094, -0.8244, -1.6846],
[ 0.6850, 0.8366, -1.3837],
[ 0.0289, 2.0976, 1.3855],
[-0.8574, -0.3557, -0.4109],
[ 2.2963, -1.3008, 1.2173]], requires_grad=True)
X = torch.rand(2, 5)
linear(X)
输出：tensor([[0.0984, 0.5687, 2.8316],
[2.2558, 0.0000, 1.8880]])
同样可以像使用内置的全连接层一样使用自定义层：
net = nn.Sequential(MyLinear(64, 8), MyLinear(8, 1))
net(torch.rand(2, 64))
5.5 加载和保存
张量
x = torch.arange(4)
torch.save(x, 'x-file')
x2 = torch.load('x-file')
存储列表
y = torch.zeros(4)
torch.save([x, y],'x-files')
x2, y2 = torch.load('x-files')
(x2, y2)
存储词典
mydict = {'x': x, 'y': y}
torch.save(mydict, 'mydict')
mydict2 = torch.load('mydict')
mydict2
加载和保存模型参数
torch.save(net.state_dict(), 'mlp.params')
net_clone = MLP()
net_clone.load_state_dict(torch.load('mlp.params'))
net_clone.eval()
5.6 GPU
1. 设备device
在PyTorch中，CPU和GPU可以用torch.device('cpu') 和torch.device('cuda')表示（默认为0）。
import torch
from torch import nn
torch.device('cpu'), torch.device('cuda'), torch.device('cuda:1')
判断GPU是否可用：
torch.cuda.is_available()
查询可用gpu的数量：
torch.cuda.device_count()
尝试使用gpu：
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)
2. 张量与GPU
查询张量所在设备：
x.device
初始化张量在GPU上：
X = torch.ones(2, 3, device=device)
将张量复制到1号GPU上：
Z = X.cuda(1)
3. 神经网络与GPU
nn模型也可以指定设备，可以将模型参数放在GPU上：
net = net.to(device=device)
但是，要保证所有的数据和参数都在同一个设备上，否则会因为总线传输速度的限制而降低性能。
