pytorch0.4支持了Windows系统的开发，在首页即可使用pip安装pytorch和torchvision。
说白了，以下文字就是来自官方文档60分钟入门的简要翻译.
pytorch是啥
python的科学计算库，使得NumPy可用于GPU计算，并提供了一个深度学习平台使得灵活性和速度最大化
入门
Tensors(张量)
Tensors与NumPy的ndarrays类似，另外可以使用GPU加速计算
未初始化的5*3的矩阵:x = torch.empty(5, 3)
随机初始化的矩阵:x = torch.rand(5, 3)
全零矩阵,定义数据类型:x = torch.zeros(5, 3, dtype=torch.long)
由数据构造矩阵:x = torch.tensor([5.5, 3])
由已存在张量构造矩阵，性质与之前张量一致:
x = x.new_ones(5, 3, dtype=torch.double)
x = torch.randn_like(x, dtype=torch.float)
获取维度:print(x.size())
Operations
有多种operation的格式，这里考虑加法
y = torch.rand(5, 3)
print(x + y)
print(torch.add(x, y))
result = torch.empty(5, 3)
torch.add(x, y, out=result)
print(result)
# adds x to y
y.add_(x)
print(y)
operations中需要改变张量本身的值，可以在operation后加_,比如x.copy_(y), x.t_()
索引:print(x[:, 1])
改变维度:x.view(-1, 8)
和Numpy的联系
torch tensor 和 numpy array之间可以进行相互转换，他们会共享内存位置，改变一个，另一个会跟着改变。
tensor to array
a = torch.ones(5)
b = a.numpy()
a.add_(1)
print(a,b)
array to tensor
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)
CUDA Tensors
tensor可以使用.to方法将其移动到任何设备。
# let us run this cell only if CUDA is available
# We will use ``torch.device`` objects to move tensors in and out of GPU
if torch.cuda.is_available():
device = torch.device("cuda") # a CUDA device object
y = torch.ones_like(x, device=device) # directly create a tensor on GPU
x = x.to(device) # or just use strings ``.to("cuda")``
z = x + y
print(z)
print(z.to("cpu", torch.double)) # ``.to`` can also change dtype together!
Autograd(自动求导)
pytorch神经网络的核心模块就是autograd，autograd模块对Tensors上的所有operations提供了自动求导。
Tensor
torch.Tensor是模块中的核心类，如果设置属性.requires_grad = True,开始追踪张量上的所有节点操作，指定其是否计算梯度。使用.backward()方法进行所有梯度的自动求导，张量的梯度会累积到.grad属性中。
.detach()停止张量的追踪，从梯度计算中分离出来；另外在评估模型时一般使用代码块with torch.no_grad():,因为模型中通常训练的参数也会有.requires_grad = True,这样写可以停止全部张量的梯度更新。
Function类是autograd的变体，Tensor和Function相互交错构建成无环图，编码了完整的计算过程，每个Variable(变量)都有.grad_fn属性，引用一个已经创建了的Tensor的Function.
如上，使用.backward()计算梯度。如果张量是一个标量(只有一个元素),不需要对.backward()指定参数；如果张量不止一个元素，需要指定.backward()的参数，其匹配张量的维度。
import torch
x = torch.ones(2, 2, requires_grad=True)
print(x)
y = x + 2
print(y)
print(y.grad_fn)
z = y * y * 3
out = z.mean()
print(z, out)
a = torch.randn(2, 2)
a = ((a * 3) / (a - 1))
print(a.requires_grad)
a.requires_grad_(True) # 改变a张量内在的属性
print(a.requires_grad)
b = (a * a).sum()
print(b.grad_fn)
Gradients
反向传播时，由于out是一个标量，out.backward()等效于out.backward(torch.tensor(1))
out.backward()
print(x.grad)
x = torch.randn(3, requires_grad=True)
y = x * 2
while y.data.norm() < 1000:
y = y * 2
print(y)
gradients = torch.tensor([0.1, 1.0, 0.0001], dtype=torch.float)
y.backward(gradients)
print(x.grad)
print(x.requires_grad)
print((x ** 2).requires_grad)
with torch.no_grad():
print((x ** 2).requires_grad)
神经网络
神经网络可以用torch.nn构建。nn依赖于autograd定义模型和求导，nn.Module定义网络层，方法forward(input)返回网络输出。
举例说明，如下是对数字图片分类的卷积网络架构。
[站外图片上传中...(image-30da22-1528622765644)]
这是一个简单的前馈神经网络，将输入数据依次通过几层网络层后最终得到输出。
神经网络典型的训练步骤如下：
- 定义神经网络及学习的参数(权重)
- 迭代输入数据
- 将输入数据输入到网络结构中
- 计算代价函数
- 误差向后传播
- 更新网络权重
weight = weight - learning_rate * gradient
定义网络
import torch
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
# 1 input image channel, 6 output channels, 5x5 square convolution
# kernel
self.conv1 = nn.Conv2d(1, 6, 5)
self.conv2 = nn.Conv2d(6, 16, 5)
# an affine operation: y = Wx + b
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
# Max pooling over a (2, 2) window
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
# If the size is a square you can only specify a single number
x = F.max_pool2d(F.relu(self.conv2(x)), 2)
x = x.view(-1, self.num_flat_features(x))
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
def num_flat_features(self, x):
size = x.size()[1:] # all dimensions except the batch dimension
num_features = 1
for s in size:
num_features *= s
return num_features
net = Net()
print(net)
out:
Net(
(conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))
(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
(fc1): Linear(in_features=400, out_features=120, bias=True)
(fc2): Linear(in_features=120, out_features=84, bias=True)
(fc3): Linear(in_features=84, out_features=10, bias=True)
)
可以仅定义forward()函数，当使用autograd时backward()被自动定义。可以在forward()函数中使用任何operation操作。
net.parameters()返回模型中的可学习参数。
params = list(net.parameters())
print(len(params))
print(params[0].size()) # conv1's .weight
使所有参数的梯度归零然后开始计算梯度
net.zero_grad()
out.backward(torch.randn(1, 10))
代价函数
代价函数将(output,target)作为输入，计算output与target之间的距离。
nn?？橹杏屑钢植煌拇酆≡瘢罴虻サ氖?code>nn.MSELoss，计算均方误差
eg：
output = net(input)
target = torch.arange(1, 11) # a dummy target, for example
target = target.view(1, -1) # make it the same shape as output
criterion = nn.MSELoss()
loss = criterion(output, target)
print(loss)
按照向后传播的方向传播loss，使用grad_fn可以查看整个流程的计算图
input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
-> view -> linear -> relu -> linear -> relu -> linear
-> MSELoss
-> loss
使用loss.backward()，流程中所有requres_grad=True的张量累积它的梯度至.grad
print(loss.grad_fn) # MSELoss
print(loss.grad_fn.next_functions[0][0]) # Linear
print(loss.grad_fn.next_functions[0][0].next_functions[0][0]) # ReLU
向后传播
loss.backward()传播误差，
net.zero_grad() # zeroes the gradient buffers of all parameters
print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)
loss.backward()
print('conv1.bias.grad after backward')
print(net.conv1.bias.grad)
更新权重
误差每次传播后，需要对权重进行更新，简单的更新方式如下：
learning_rate = 0.01
for f in net.parameters():
f.data.sub_(f.grad.data * learning_rate)
torch.optim实现了这一过程，并有着不同的更新规则GD, Nesterov-SGD, Adam, RMSProp，
import torch.optim as optim
# create your optimizer
optimizer = optim.SGD(net.parameters(), lr=0.01)
# in your training loop:
optimizer.zero_grad() # zero the gradient buffers
output = net(input)
loss = criterion(output, target)
loss.backward()
optimizer.step() # Does the update
note: 每次迭代时由于梯度的累积，需要手动将梯度归零optimizer.zero_grad()
