1. torch
核心功能
- 张量操作:PyTorch 的张量是一个多维数组,类似于 NumPy 的 ndarray,但支持 GPU 加速。
- 数学运算:提供了各种数学运算,包括线性代数操作、随机数生成等。
- 自动微分:
torch.autograd
模块用于自动计算梯度。 - 设备管理:允许在 CPU 和 GPU 之间移动张量。
示例代码:
import torch# 创建张量
x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
y = torch.tensor([4.0, 5.0, 6.0])# 张量加法
z = x + y
print(f'z: {z}')# 计算梯度
z.sum().backward() # 求和的原因是求梯度需要是一个标量
print(f'Gradients of x: {x.grad}')
2. torch.nn
核心功能
- 构建神经网络模块:
nn.Module
是所有神经网络模块的基类。 - 常用层:如卷积层、池化层、全连接层、激活函数、归一化层等。
- 损失函数:如交叉熵损失、均方误差损失等。
示例代码:
import torch.nn as nn# 定义一个简单的前馈神经网络
class SimpleNet(nn.Module):def __init__(self):super(SimpleNet, self).__init__()self.fc1 = nn.Linear(10, 5)self.fc2 = nn.Linear(5, 1)def forward(self, x):x = torch.relu(self.fc1(x))x = self.fc2(x)return xmodel = SimpleNet()
print(model)
3. torch.optim
核心功能
- 优化算法:包括 SGD、Adam、RMSprop 等。
- 学习率调度器:用于动态调整学习率,如
StepLR
、ExponentialLR
。
示例代码:
import torch.optim as optim# 定义模型
model = SimpleNet()# 定义优化器
optimizer = optim.Adam(model.parameters(), lr=0.001)# 更新模型参数
optimizer.zero_grad()
output = model(torch.randn(1, 10))
loss = torch.mean(output)
loss.backward()
optimizer.step()# 学习率调度器
scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=10, gamma=0.1)
scheduler.step()
4. torch.utils.data
核心功能
- 数据集:
Dataset
类用于自定义数据集。 - 数据加载器:
DataLoader
用于批量加载数据,支持多线程加载。 - 数据变换:通过
torchvision.transforms
可以对数据进行预处理和增强。
示例代码:
from torch.utils.data import Dataset, DataLoader# 自定义数据集
class MyDataset(Dataset):def __init__(self, data):self.data = datadef __len__(self):return len(self.data)def __getitem__(self, idx):return self.data[idx]dataset = MyDataset([1, 2, 3, 4])
dataloader = DataLoader(dataset, batch_size=2, shuffle=True)for batch in dataloader:print(batch)
5. torchvision
核心功能
- 数据集:提供了常用的计算机视觉数据集,如 MNIST、CIFAR-10、ImageNet 等。
- 预训练模型:如 ResNet、VGG、AlexNet 等。
- 数据变换:如图像调整大小、裁剪、归一化等。
示例代码:
import torchvision.transforms as transforms
import torchvision.datasets as datasets# 定义数据预处理
transform = transforms.Compose([transforms.Resize((32, 32)),transforms.ToTensor(),transforms.Normalize((0.5,), (0.5,))
])# 下载 MNIST 数据集
dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
dataloader = DataLoader(dataset, batch_size=64, shuffle=True)for images, labels in dataloader:print(images.shape, labels.shape)break
6. torch.jit
核心功能
- TorchScript:通过脚本化和追踪将 Python 模型转换为 TorchScript 模型,提高执行效率并支持跨平台部署。
- 脚本化:
torch.jit.script
用于将 Python 代码转换为 TorchScript 代码。 - 追踪:
torch.jit.trace
用于通过追踪模型的执行流程创建 TorchScript 模型。
示例代码:
import torch.jit# 定义简单模型
class SimpleNet(nn.Module):def forward(self, x):return x * 2model = SimpleNet()# 脚本化模型
scripted_model = torch.jit.script(model)
print(scripted_model)# 追踪模型
traced_model = torch.jit.trace(model, torch.randn(1, 10))
print(traced_model)
7. torch.cuda
核心功能
- 设备管理:提供与 GPU 相关的操作,如设备计数、设备选择等。
- 张量迁移:将张量从 CPU 移动到 GPU,以利用 GPU 加速计算。
示例代码:
if torch.cuda.is_available():device = torch.device("cuda")x = torch.tensor([1.0, 2.0, 3.0]).to(device)print(f'GPU tensor: {x}')
else:print("CUDA is not available.")
8. torch.autograd
核心功能
- 自动微分:提供自动计算梯度的功能,支持反向传播算法。
- 计算图:动态构建计算图,并根据图计算梯度。
示例代码:
x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
y = x + 2
z = y * y * 3
out = z.mean()# 反向传播计算梯度
out.backward()
print(x.grad) # 输出 x 的梯度
9. torch.multiprocessing
核心功能
- 多进程并行:用于在多核 CPU 上实现数据并行和模型并行,提高计算效率。
- 与 Python 标准库 multiprocessing 的兼容:提供与标准库相似的接口。
示例代码:
import torch.multiprocessing as mpdef worker(rank, data):print(f'Worker {rank} processing data: {data}')if __name__ == '__main__':data = [1, 2, 3, 4]mp.spawn(worker, args=(data,), nprocs=4)
10. torch.distributed
核心功能
- 分布式训练:支持在多个 GPU 和多台机器上进行分布式训练。
- 通信接口:提供多种通信后端,如 Gloo、NCCL 等。
示例代码:
import torch
import torch.distributed as distdef init_process(rank, size, fn, backend='gloo'):dist.init_process_group(backend, rank=rank, world_size=size)fn(rank, size)def example(rank, size):tensor = torch.zeros(1)if rank == 0:tensor += 1dist.send(tensor, dst=1)else:dist.recv(tensor, src=0)print(f'Rank {rank} has data {tensor[0]}')if __name__ == "__main__":size = 2processes = []for rank in range(size):p = mp.Process(target=init_process, args=(rank, size, example))p.start()processes.append(p)for p in processes:p.join()
通过这些模块,PyTorch 提供了构建、训练、优化和部署深度学习模型所需的全面支持。