基于PyTorch的深度学习入门教程之PyTorch重点综合实践

前言

PyTorch提供了两个主要特性：

（1） 一个n维的Tensor，与numpy相似但是支持GPU运算。

（2） 搭建和训练神经网络的自动微分功能。

我们将会使用一个全连接的ReLU网络作为实例。该网络有一个隐含层，使用梯度下降来训练，目标是最小化网络输出和真实输出之间的欧氏距离。

目录

Tensors（张量）

Warm-up：numpy

PyTorch：Tensors

Autograd（自动梯度）

PyTorch：Variables and autograd （变量和自动梯度）

PyTorch ： Defining new autograd functions（定义新的自动梯度函数）

TensorFlow： Static Graphs （静态图）

nn module

PyTorch： nn

PyTorch： optim

PyTorch： Custom nn Modules （定制nn模块）

PyTorch： Control Flow + Weight Sharing （控制流+权重分享）

Tensors（张量）

Warm-up：numpy

在介绍PyTorch之前，我们先使用numpy来实现一个网络。

Numpy提供了一个n维数组对象，以及操作这些数组的函数。Numpy是一个通用的科学计算框架。它不是专门为计算图、深度学习或者梯度计算而生，但是我们能用它来把一个两层的网络拟合到随机数据上，只要我们手动把numpy运算在网络上前向和反向执行即可。　　

Numpy是一个了不起的框架，但是它很遗憾地不能支持GPU运算，无法对数值计算进行GPU加速。对于现在的深度神经网络，GPU一般能提供50倍以上的加速，所以numpy由于对GPU缺少支持，不能满足深度神经网络的计算需求。

这里介绍一下最基本的PyTorch概念：Tensor。一个PyTorch Tensor在概念上等价于numpy array：Tensor是一个n维的array，PyTorch提供了很多函数来在Tensors上进行运算。像numpy arrays一样，PyTorch Tensors也不是为深度学习、计算图、梯度而生；他们是一个科学计算的通用工具。

PyTorch Tensors可以利用GPU来加速数值计算。为了能在GPU上跑Tensor，我们只需要将它转到新的数据类型。

我们使用PyTorch Tensors来拟合2层的网络。与上面的numpy例子一样，我们需要手动执行网络上的前向和反向过程。　

Autograd（自动梯度）

PyTorch：Variables and autograd （变量和自动梯度）

在上面的例子中，我们必须手动执行网络的前向和反向通道。对于一个两层的小网络来说，手动反向执行不是什么大事，但是对于大型网络来说，就非常费劲了。

幸运的是，我们可以使用自动微分来自动计算神经网络的反向通道。PyTorch的autograd 包就提供了此项功能。当使用autograd的时候，你的网络的前向通道定义一个计算图（computational graph），图中的节点（node）是Tensors，边（edge）将会是根据输入Tensor来产生输出Tensor的函数。这个图的反向传播将会允许你很轻松地去计算梯度。

这个听起来复杂，但是实际操作非常简单。我们把PyTorch Tensors打包到Variable 对象中，一个Variable代表一个计算图中的节点。如果x是一个Variable，那么x. data 就是一个Tensor 。并且x.grad是另一个Variable，该Variable保持了x相对于某个标量值得梯度。

PyTorch的Variable具有与PyTorch Tensors相同的API。差不多所有适用于Tensor的运算都能适用于Variables。区别在于，使用Variables定义一个计算图，令我们可以自动计算梯度。

下面我们使用PyTorch 的Variables和自动梯度来执行我们的两层的神经网络。我们不再需要手动执行网络的反向通道了。　

PyTorch ： Defining new autograd functions（定义新的自动梯度函数）

在底层，每一个原始的自动梯度运算符实际上是两个在Tensor上运行的函数。其中，forward函数计算从输入Tensors获得的输出Tensors。而backward函数接收输出Tensors相对于某个标量值的梯度，并且计算输入Tensors相对于该相同标量值的梯度。

在PyTorch中，我们可以很容易地定义自己的自动梯度运算符。具体来讲，就是先定义torch.autograd.Function的子类，然后实现forward和backward函数。之后我们就可以使用这个新的自动梯度运算符了。使用该运算符的方式是创建一个实例，并且像一个函数一样去调用它，传递包含输入数据的Variables。

在这个例子中，我们定义自己的定制自动梯度函数来执行ReLU非线性，然后使用它执行我们的两层网络。　

TensorFlow： Static Graphs（静态图）

PyTorch自动梯度看起来非常像TensorFlow：在两个框架中，我们都定义计算图，使用自动微分来计算梯度。两者最大的不同就是TensorFlow的计算图是静态的，而PyTorch使用动态的计算图。

在TensorFlow中，我们定义计算图一次，然后重复执行这个相同的图，可能会提供不同的输入数据。而在PyTorch中，每一个前向通道定义一个新的计算图。

静态图的好处在于你可以预先对图进行优化。例如，一个框架可能要融合一些图运算来提升效率，或者产生一个策略来将图分布到多个GPU或机器上。如果你重复使用相同的图，前期优化的消耗就会被分摊开，因为相同的图在多次重复运行。

静态图和动态图的一个不同之处是控制流。对于一些模型，我们希望对每个数据点执行不同的计算。例如，一个递归神经网络可能对于每个数据点执行不同的时间步数，这个展开（unrolling）可以作为一个循环来实现。对于一个静态图，循环结构要作为图的一部分。因此，TensorFlow提供了运算符（例如tf .scan）来把循环嵌入到图当中。对于动态图来说，情况更加简单：既然我们为每个例子即时创建图，我们可以使用正常的解释流控制来为每个输入执行不同的计算。

为了与上面的PyTorch自动梯度实例做对比，我们使用TensorFlow来拟合一个简单的2层网络。　

计算图和自动梯度是非常强大的范式，可用于定义复杂的运算符和自动求导数。然而，对于一个大型的网络来说，原始的自动梯度有点太低级别了。

在建立神经网络的时候，我们经常把计算安排在层（layers）中。某些层有可学习的参数，将会在学习中进行优化。

在TensorFlow中，Keras，TensorFlow-Slim和TFLearn这些包提供了原始计算图之上的高级抽象，这对于构建神经网络大有裨益。

在PyTorch中， nn包服务于相同的目的。nn包定义了一系列Modules，大体上相当于神经网络的层。一个Module接收输入Variables，计算输出Variables，但是也可以保持一个内部状态，例如包含了可学习参数的Variables。nn 包还定义了一系列在训练神经网络时常用的损失函数。

在下面例子中，我们使用nn包来实现我们的两层神经网络。　

目前，我们已经通过手动改变持有可学习参数的Variables的 .data成员来更新模型的权重。对于简单的优化算法（例如随机梯度下降）来说这不是一个大的负担，但是实际上我们经常使用更加复杂的优化器来训练神经网络，例如AdaGrad， RMSProp， Adam等。

PyTorch的optim包将优化算法进行抽象，并提供了常用的优化算法的实现。

下面这个例子，我们将会使用 nn包来定义模型，使用optim包提供的Adam算法来优化这个模型。　

有时候，需要设定比现有模块序列更加复杂的模型。这时，你可以通过生成一个nn.Module的子类来定义一个forward。该forward可以使用其他的modules或者其他的自动梯度运算来接收输入Variables，产生输出Variables。

在这个例子中，我们实现两层神经网络作为一个定制的Module子类。　

我们实现一个非常奇怪的模型来作为动态图和权重分享的例子。这个模型是一个全连接的ReLU网络。每一个前向通道选择一个1至4之间的随机数，在很多隐含层中使用。多次使用相同的权重来计算最内层的隐含层。

这个模型我们使用正常的Python流控制来实现循环。在定义前向通道时，通过多次重复使用相同的Module来实现权重分享。

我们实现这个模型作为一个Module的子类。　

总结

本文介绍了PyTorch中的重点模块和使用，对于开展之后的实战练习非常重要。所以，我们需要认真练习一下本文的所有模块。最好手敲代码走一遍。

       责任编辑：xj