PyTorch 深度学习新手入门指南

原标题 | Starter Pack for Deep Learning Projects in PyTorch — for Extreme Beginners — by a beginner!

作　者 | Nikhila Munipalli

翻　译 | 天字一号（郑州大学）、Ryan（西安理工大学）、申影（山东大学）、邺调（江苏科技大学）、Loing（华中科技大学）

审　校 | 唐里、鸢尾、skura

来  源 | AI开发者

欢迎深度学习的学习者，这篇文章是为想开始用pytorch来进行深度学习项目研究的人准备的。

  预备知识：

为了更好的理解这些知识，你需要确定自己满足下面的几点要求：

1. 如果在领英上，你也许会说自己是一个深度学习的狂热爱好者，但是你只会用 keras 搭建模型，那么，这篇文章非常适合你。

2. 你可能对理解 tensorflow 中的会话，变量和类等有困扰，并且计划转向 pytorch，很好，你来对地方了。

3. 如果你能够用 pytorch 构建重要、复杂的模型，并且现在正在找寻一些实现细节，不好意思，你可以直接跳到最后一部分。

 

  让我们开始吧！

既然都看到这里了，说明你的确对深度学习有兴趣！

老生常谈的话题：

什么是 pytorch，它和 keras 之间的区别是什么?

初学者很容易通过以下两行指令，通过添加dense层和一些dropouts层去建立一个神经网络：

from keras.models import Sequential from keras.layers import Dense, Dropout

就像这样：

import Andrew as ng !

如果你需要处理 tensor，建立足够复杂的模型，创建一些用户损失函数，或者需要理解在每一层究竟发生了什么，pytorch 这时候可以派上用场了，它是一个对n维数据处理来说绝好的工具，它不仅能够加载大量有用的文档，同时也具备 keras 的简便性。

它对初学者非常友好！

pytorch 因其出色的调试能力，对多种平台的支持和容易上手而闻名，它并没有涉及到类似keras中的大量计算。

  开始设置  

步骤1：硬件设置 ：深度学习模型总是伴随着大量的数据。显然，GPU是必须的。有关cuda和nvidia的设置：请查看：https://missinglink.ai/guides/deep-learning-frameworks/complete-guide-deep-learning-gpus/。 

步骤2：安装 ：Pytorch几分钟就装好了，在他们的官方网站上有一行ctrl+C——ctrl+V。转到他们的网站（https://pytorch.org/），向下滚动，选择你的设置参数，复制该链接并粘贴到你的终端！搞定了！可以准备使用它啦！还可以安装tensorboardX 来显示结果。有关安装的说明，请参阅此 GitHub repo（https://github.com/lanpa/tensorboardX）。

步骤3：基本步骤 ： 这有关于 udemy 的很好的课程，讨论基本的语法，用法和功能。pytorch不需要那么大的努力！它非常类似于Numpy，并且有许多预定义的函数。一旦你开始编码，你就可以发现一些东西。      

接下来是有趣的部分！ 

步骤4：引入必须库：

这些是任何模式的深度学习所必需的库。nn模块具有所有必要的损失函数、层数、时序模型、激活函数等。其余部分将随着你的进一步深入而进行讨论。

第二个问题： 

TorchTensor (张量)和 Variable(变量)之间有什么区别？  

你一定注意到我们从torch.autograd 导入了Variable库。Tensors只是n维阵列。对于像反向传播的功能，张量必须与它们的关联梯度耦合。对一个 torch Variable 来说也是如此。它是一个具有相应梯度的张量，使得所有张量操作都非常简单！有关详细信息，请查看此q＆a（https://discuss.pytorch.org/t/what-is-the-difference-between-tensors-and-variables-in-pytorch/4914）。

在所有这些基础上，我们可以开始构建我们的模型了！ 

  模块 1：网络类

步骤1：继承。 要构建神经网络模型，必须创建继承自 nn.module 的类，其中nn.module 给出了创建自己网络的结构。示例代码如下：

class Network(nn.Module):      def __init__(self):          super(Network, self).__init__()

步骤2：网络层 。nn.module中定义有不同的网络层，如linear, LSTM, dropout等。如果你习惯Keras顺序模型，nn.sequential就是这样。就个人而言，我不建议使用nn.sequential ，因为它不能发挥出pytorch的真实意图。向模型中添加层的更好方法是用nn创建一个层，并将其分配给网络类的私有成员。示例代码如下：

self.linear = nn.linear(input dim, output dim)

在网络类的init方法中将所有层声明为类变量。

步骤3：前向传播函数。 这是网络的核心和灵魂。当你调用网络模型进行训练或预测时，都会执行你在forward函数中编写的步骤。因此，我们重写nn.module类中的forward函数，确切地告诉网络模型要做什么。如果forward函数使用了除类变量之外的参数，那每次调用模型时都必须给forward函数传递这些参数。

def forward(self,x):     out =  self.linear1(x)     out = self.linear2(out)return out

创建了两层的神经网络，传递张量或变量。

步骤4：附加函数： 通过上述步骤，所有需要做的工作都已经完成了！有时，当模型具有 LSTM 层时，需要初始化隐藏图层的功能。同样，如果你尝试构建玻尔兹曼机时，则需要对隐藏节点和可见节点进行采样。因此，可以在我们的网络类里创建和使用新的成员函数。

步骤5：类的参数： 使用类构建网络时，请确保使用的是最小值或没有硬编码值。初始化类时，可以忽略学习速率、隐藏图层的大小。

如果你成功理解了上述所有步骤，并且能够直观地显示网络，接下来，让我们完成下一个小但重要的功能模块。

  模块 2：自定义数据加载器

在你的数据上，你是否从头做过训练集、测试集的划分，batch size的设置，shuffles等操作？Keras 具有参数" batchsize"，用于处理不规则的batch大小。但是，如果你想在Pytorch中实现它，需要相当多的努力。

别担心！自定义数据加载器在这里！

DataLoader是一个术语，用于从给定数据中创建训练、测试和验证数据，具有自动批处理大小、随机打乱顺序等功能。

pytorch具有默认数据加载器类，可以使用 torch.utils.dataloader 导入该类。这样，你可以直接使你的数据模型！

与使用默认数据加载程序相比，根据你的要求很容易构建自定义数据加载器。让我们看看怎么做！

你是否还记得importingdata from torch.utils？

构建自定义数据加载器非常简单，只需执行以下步骤：

第1步：继承 ： 类似于我们构建网络类是需要继承 nn.Module的，同样我们将继承数据。DataLoader需要继承Dataset类，但可以不必像以前那样调用 init 构造函数，只需要这样：

class dataset(data.Dataset):

步骤 2：sequences和labels： data.Dataset类具有称为sequences的成员，这些成员 与X 数据或训练数据相对应， labels 与y相对应。你可以创建名为partition的选项，根据该选项将返回其相应的数据。

例如：

class dataset(data.Dataset):             def __init__(self, partition):                     if partition==’train’:                          self.sequences = X_train                          self.labels = y_train

步骤3：len 方法： _len_（）是一个data.Dataset函数，需要重写才能在我们dataloader中生效，返回的是sequences 的长度。

步骤4 ：getitem 方法 ： __getitem__ (self, index)是在给定索引处返回sequences 和 labels的方法。这个函数也必须重写。

步骤5：generators 和 parameterdict： 通过上述步骤，创建自定义数据加载器类完成。现在，可以使用它了！

数据，由dataloader发送，以generators的形式使用。因此，基于生产的数据，一个参数dict必须创建。包含键：batch_size、shuffle，num_workers。数据加载器类的对象将被实例化，并随参数 dict  一起传递给生成器：

params= {‘batch_size’ : 10,‘shuffle’ : True,‘num_workers’ : 20}training_set = dataset(X, y, ‘train )training_generator = torch.utils.data.dataloader(training_set, **params)

在官方文件中可以了解更多参数（https://pytorch.org/docs/stable/_modules/torch/utils/data/dataloader.html）。

获得数据是不是毫不费力？！如果是，现在，我们有了网络结构和数据，我们的模型已经准备好试验！

因此，让我们继续我们的第三个模块！

  模块 3：训练函数

现在已经分别为网络结构和数据建立了两个类，训练函数的作用就是讲这两个类联系起来，让模型能够学习。

步骤1：Parameters（参数） ： 网络类是最重要的参数。然后才是训练生成器和验证生成器。设置这些必要的参数后，epoch、学习率、batch size、clip、loss等参数可以暂时略过。这些参数不要设置一个固定的值，而作为一个参数变量。

步骤2：Initialization （初始化）： 开始训练需要对网络进行初始化，设置训练模式，如下：

net.train()

损失函数和优化器必须使用nnmodule指定，例如

criterion = nn.MSELoss() optimizer = torch.optim.Adam(net.parameters(), lr=lr)

初始化值之后，模型就可以训练了。

步骤3：the epoch loop （循环次数）： 开始进行训练循环，该循环是将数据遍历 n 次。在循环结束时，打印损耗（训练和验证）对应于那个epoch的值。

步骤4：TQDM循环 ：循环可能永远运行！尤其是对于有大量数据的深度学习模型！很难弄清楚里面发生了什么，需要多少时间才能完成。TQDM在这里！它是每个迭代的进度条。看看这里的官方文件。迭代器必须分配给TQDM并在循环中使用。

对于每一个时代，我们的函数都在批量大小上迭代。这里的迭代器是训练生成器。

TQDM循环如下所示： 

t = tqdm(iter(training_generator), leave=False, total=len(training_generator))for i, batch in enumerate(t):   x_batch, y_batch = next(iter(training_generator))

步骤5：GPU可用性： 变量、对象等可以通过一个pytorch命令传输到GPU。

包括一行：

torch.cuda.set_ device(0)

在代码的开头。0表示要使用的GPU编号。

当你觉得有必要把一些变量转移到CUDA时，

do:x=x.cuda（）。

但是，不管底层硬件如何，我们的代码都应该运行。如果GPU不存在，就不能将变量传输到CUDA。代码显示该行中的错误。为了摆脱这些依赖关系，考虑一个变量，它保存了GPU可用性的布尔值。

你的代码可以调整成这样： 

if gpu_available:       X= X.cuda()

步骤6: 训练过程 ： 设置必要的东西之后，从网络的结构开始进行训练：

output = net(x)

这里传递的参数是forward 函数中提到的参数。

获得输出后，损失计算为 ：

loss = criterion(output, targets)

反向传播为：

loss.backward()optimizer.step()

Optimizer.step() 是用来更新参数（权重和偏置），这些参数是基于反向传播的损失计算的。

通过tqdm 迭代器可以打印损失值：

t.set_postfix(loss=train_loss)

步骤7: 评估： 训练结束后需进行模型评估，模型首先应该设置成评估模式。

 net.eval()

评估之后，确保模型再设置成训练模式，利用net.train()设置。

步骤8: 保存模型和参数： 成功训练模型后，需要保存模型和参数以便以后使用，这里有两种方法可以使用。

1.torch.save()，用这种方法保存整个模型，包括它的目录结构，使用下列语句

torch.save(net, path)       #savingnet = torch.load(path)      #loading

2.model.state_dict()：state_dict函数只保存了模型中的参数（权重和偏差等等），并没有包含模型的结构。要使用这样方法保存的参数，必须创建模型的结构，构建一个结构类的实例，并指定对于的参数。

torch.save(net.state_dict(), path)       #savingnet = Network(*args, **kwargs)           #loadingnet.load_state_dict(torch.load(path))

  第三个问题：

何时使用torch.save（）以及何时使用model.state_dict（）？

如上所述，torch.save保存整个模型。要加载它，不必实例化网络类。在模型应该在完全不同的平台上工作而不考虑底层代码的情况下，torch.save（）是非常有利的。

相反，如果你正在执行实验，state_dict（）非常有利，因为它只保存模型的参数，并且对于任何进一步的修改都是灵活的。

查看这些StackOverflow答案了解更多详细信息。

恭喜！如果你做到这一步，你几乎把你的模型建立到完美了！为了组织代码和执行实验，我们来看一个最后的模块。

顺便说一句，🎉这也是最后一个模块啦🎊！

  最后：组织

在大量的实验中，参数调整通常是在一个深度学习模型上进行的，将它们存储在一个合适的目录结构中是非常重要的。以下是需要遵循的几个步骤：

步骤1：配置文件： 学习速率、损失函数、周期数等参数都会发生变化。要跟踪所有这些参数，请创建一个配置文件，并包含所有可以使用的参数。在实例化类或调用函数时，你可以将这些变量导入为：

from config import *

并且使用。当必须执行各种尝试和错误方法时，更改配置文件就足够了。

步骤2：TensorBoard： 还记得从TensorBoardX导入SummaryWriter吗？如前所述，可以用tensorboard 显示损失、精度等。

在列车运行前，只需添加一行，即可包含tensorboard ：

writer = SummaryWriter(path)

在每个epoch循环中，包括：

writer.add_scalar(‘loss’, loss, epoch_number)writer.add_scalar( accuracy , accuracy, epoch_number)

你可以使用各种参数添加任意的多个图。

在训练函数的结尾，关闭writer

writer.close()

请记住更改后面tensorboard 写入的路径，因为图可能被覆盖或重写。

步骤 3 ：requirements 文件 ：  这个东西可能太陈词滥调了，但最好有一个 requirements   文件，其中包含所有库及其版本使用。使用requirements 文件的好处是使用单个命令就可以处理所有依赖项。

查看此链接，了解如何冻结所有要求：https://stackoverflow.com/questions/31684375/automatically-create-requirements-txt。

第4步：一个readme： 经过辛苦的工作之后，你完全有权利吹嘘你的工作，并引导人们使用你的代码！readme  的功能就是这样。通过添加定性和定量的readme来结束你的项目！

现在，所有的工作都完成了！！最后，祝贺你成功完成所有四个模块！

最后，让我们快速地看一看项目架构：

希望你的项目架构和我们的一样！

最后，休息一下，开始建一个网络吧！

P.S:感谢 A.ManojGhuhan和Niyati Chhaya的指导并纠正我的错误，使我在这个领域更自信！

via https://medium.com/@nikhilamunipalli/starter-pack-for-deep-learning-in-pytorch-for-extreme-beginners-by-a-beginner-330f3fdefcc4

封面图来源：  https://www.pexels.com/photo/notes-macbook-study-conference-7102/

推荐阅读

搞笑诺贝尔颁出，中国科学家入选！阿蟑有磁性、睾丸热不对称，10大奇葩研究来了

AI电影修复技术，带回《乱世佳人》高清版斯嘉丽

【GANs】将普通图片转换为梵高大作

【重磅】61篇NIPS2019深度强化学习论文及部分解读

清华学霸直博简历火了！CPU、操作系统、编译器全自主写，刘知远点赞