外贸网站镜像,网站建设的后如何发布,学生个人网页制作成品,上海网站商城建设公司PyTorch 是一个强大的开源深度学习框架#xff0c;以其灵活性和动态计算图而广受欢迎。以下是 PyTorch 的详细教程#xff0c;涵盖从基础到实际应用的使用方法。 1. 安装与导入
1.1 安装 PyTorch
访问 PyTorch 官方网站#xff0c;根据系统、Python 版本和 CUDA 支持选择安…PyTorch 是一个强大的开源深度学习框架以其灵活性和动态计算图而广受欢迎。以下是 PyTorch 的详细教程涵盖从基础到实际应用的使用方法。 1. 安装与导入
1.1 安装 PyTorch
访问 PyTorch 官方网站根据系统、Python 版本和 CUDA 支持选择安装命令。
常用安装命令
pip install torch torchvision torchaudio1.2 导入库
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms2. PyTorch 基础
2.1 张量Tensor
张量是 PyTorch 的核心数据结构可以看作是一个高维数组。
# 创建张量
a torch.tensor([1.0, 2.0, 3.0])
b torch.tensor([4.0, 5.0, 6.0])# 基本运算
c a b
print(c) # 输出 tensor([5., 7., 9.])# 随机张量
random_tensor torch.rand((2, 3)) # 2行3列随机数
print(random_tensor)输出结果
tensor([5., 7., 9.])
tensor([[0.9980, 0.2970, 0.5257],[0.8807, 0.0471, 0.7896]])2.2 自动求导
PyTorch 提供动态计算图支持自动求导。
x torch.tensor(2.0, requires_gradTrue)
y x**2 3*x 4y.backward() # 自动求导
print(x.grad) # 输出 dy/dx 2*x 3 7.0输出结果
tensor(7.) 3. 数据加载
PyTorch 提供强大的数据加载功能。
import torchvision.transforms as transforms
from torchvision.datasets import MNIST
from torch.utils.data import DataLoader# 下载并加载 MNIST 数据集
transform transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
train_data MNIST(root./data, trainTrue, downloadTrue, transformtransform)
train_loader DataLoader(train_data, batch_size32, shuffleTrue)4. 构建神经网络
4.1 使用 nn.Module 构建模型
import torch.nn as nnclass SimpleNN(nn.Module):def __init__(self):super(SimpleNN, self).__init__()self.fc1 nn.Linear(28 * 28, 128)self.relu nn.ReLU()self.fc2 nn.Linear(128, 10)self.softmax nn.Softmax(dim1)def forward(self, x):x x.view(-1, 28 * 28) # 展平输入x self.relu(self.fc1(x))x self.softmax(self.fc2(x))return xmodel SimpleNN()print(model)输出结果
SimpleNN((fc1): Linear(in_features784, out_features128, biasTrue)(relu): ReLU()(fc2): Linear(in_features128, out_features10, biasTrue)(softmax): Softmax(dim1)
) 5. 模型训练
5.1 定义损失函数和优化器
criterion nn.CrossEntropyLoss() # 交叉熵损失
optimizer optim.Adam(model.parameters(), lr0.001)5.2 训练循环
for epoch in range(5):for images, labels in train_loader:optimizer.zero_grad() # 梯度清零outputs model(images)loss criterion(outputs, labels) # 计算损失loss.backward() # 反向传播optimizer.step() # 更新权重print(fEpoch {epoch1}, Loss: {loss.item()})完整代码
from torch import nn, optim
import torchvision.transforms as transforms
from torchvision.datasets import MNIST
from torch.utils.data import DataLoaderclass SimpleNN(nn.Module):def __init__(self):super(SimpleNN, self).__init__()self.fc1 nn.Linear(28 * 28, 128)self.relu nn.ReLU()self.fc2 nn.Linear(128, 10)self.softmax nn.Softmax(dim1)def forward(self, x):x x.view(-1, 28 * 28) # 展平输入x self.relu(self.fc1(x))x self.softmax(self.fc2(x))return xmodel SimpleNN()# 下载并加载 MNIST 数据集
transform transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
train_data MNIST(root./data, trainTrue, downloadTrue, transformtransform)
train_loader DataLoader(train_data, batch_size32, shuffleTrue)criterion nn.CrossEntropyLoss() # 交叉熵损失
optimizer optim.Adam(model.parameters(), lr0.001)for epoch in range(5):for images, labels in train_loader:optimizer.zero_grad() # 梯度清零outputs model(images)loss criterion(outputs, labels) # 计算损失loss.backward() # 反向传播optimizer.step() # 更新权重print(fEpoch {epoch 1}, Loss: {loss.item()})输出结果
Epoch 1, Loss: 1.482284665107727
Epoch 2, Loss: 1.4968496561050415
Epoch 3, Loss: 1.5289227962493896
Epoch 4, Loss: 1.4832825660705566
Epoch 5, Loss: 1.5070817470550537 6. 模型评估
6.1 在测试集上评估
test_data MNIST(root./data, trainFalse, transformtransform)
test_loader DataLoader(test_data, batch_size32, shuffleFalse)correct 0
total 0
with torch.no_grad(): # 禁用梯度计算for images, labels in test_loader:outputs model(images)_, predicted torch.max(outputs, 1)total labels.size(0)correct (predicted labels).sum().item()print(fTest Accuracy: {correct / total * 100:.2f}%)输出结果
Test Accuracy: 10.32% 7. GPU 加速
PyTorch 支持使用 GPU 加速。
device torch.device(cuda if torch.cuda.is_available() else cpu)
model.to(device)# 将数据也移动到 GPU
for images, labels in train_loader:images, labels images.to(device), labels.to(device)outputs model(images)8. 保存与加载模型
8.1 保存模型
torch.save(model.state_dict(), model.pth)8.2 加载模型
model SimpleNN()
model.load_state_dict(torch.load(model.pth))
model.eval() # 切换到评估模式9. 实际案例
9.1 CIFAR-10 图像分类
from torch import nn
import torch.nn.functional as F
from torch.utils.data import DataLoader
from torchvision.datasets import CIFAR10
from torchvision.transforms import transforms# CIFAR-10 数据集
transform transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])
train_data CIFAR10(root./data, trainTrue, downloadTrue, transformtransform)
train_loader DataLoader(train_data, batch_size32, shuffleTrue)class CNN(nn.Module):def __init__(self):super(CNN, self).__init__()self.conv1 nn.Conv2d(3, 16, kernel_size3, stride1, padding1)self.pool nn.MaxPool2d(kernel_size2, stride2)self.fc1 nn.Linear(16 * 16 * 16, 10)def forward(self, x):x self.pool(F.relu(self.conv1(x)))x x.view(-1, 16 * 16 * 16)x self.fc1(x)return xmodel CNN()
# 后续训练步骤类似10. PyTorch 优势总结
动态计算图支持动态构建与修改模型。灵活性适合研究和开发易于调试。强大的社区支持广泛的教程、示例和扩展工具。
通过实践PyTorch 能够帮助用户更好地理解和实现深度学习算法
