前言

这里先了解简单的概念，直接上手尝试。
下一节进行实战
链接: minst数据集分类
在之后第7节会分部分进行说明。

线性回归/逻辑回归可以看成最简单的深度学习网络：

• 网络包含一层全联接层
• 采用梯度下降更新网络权重（回归参数）
• 直到设定的迭代次数终止训练

重新回顾一下线性回归的内容，我们可以更加简单直观的理解深度学习。我们将采用当下学术以及工业界最流行深度学习框架 PyTorch，其语法简介，并且借鉴了很多成功设计，比如 Numpy 数组的概念及函数，使得我们可以将很多其他库（Numpy 等）的使用经验迁移到 PyTorch 中来。

---

• 了解 PyTorch
• Tensor 创建、类型、维度与操作
• Dataset
• PyTorch 下逻辑回归与反向传播
• 深层网络、非线性拟合能力
• 模型保存、读取
• 模型的分类、回归模型构建与训练

PyTroch 简介

PyTorch是由Meta（原Facebook）开源的深度学习框架，得益于其简洁干净的接口封装，与Numpy几乎一致化的向量操作，灵活且Pythonic的语法，用户群体增长非常迅速，2019年开始主流AI会议统计中采用Pytorch框架论文数量已经超过Tensorflow。原生Pytorch已经提供了非常全面的能力，包括模型搭建、训练、部署、分布式、线性代数运算等。

Pytorch安装非常简单，只需要进入官网：https://pytorch.org/， 选择你的操作系统、安装方法、硬件环境后，复制安装命令在终端下（terminal 或CMD）执行即可。需要注意的是，GPU用户需要提前安装Nvidia驱动，但不必安装CUDNN等加速组建，CUDNN等在进行Pytorch安装时候会自动安装其必要部分。

张量（Tensor）

在实际使用PyTorch的过程中，Tensor是我们操作的基本数据类型，其特性与Numpy Array几乎完全一致，只不过在pytorch中，能够通过进行梯度的计算与传播。在正式使用PyTorch进行深度学习建模之前，我们需要熟练掌握PyTorch中张量的基本操作。

 # 
导入PyTorch包import torch 
import numpy as np
print(torch.__version__)

张量创建

 # 通过列表创建t = torch.tensor([1, 2])  
t

 # 通过numpy 数组创建张量a = np.array((1, 2)) 
t1 = torch.tensor(a) 
t1 

# 通过生成器创建，与numpy 完全一致
torch.arange(9) 

 np.arange(9)

# 随机创建一个均值为0、标准差为1的数据，与numpy 完全一致
torch.randn(3, 4)

np.random.randn(3, 4)

# torch.Tensor与np.ndarray转换tensor = torch.tensor([1, 2]) 
print(tensor)
# tensor > numpy array 
array = tensor.numpy() 
print(array)
# numpy array > tensor tensor = torch.tensor(array) 
print(tensor)
tensor = torch.from_numpy(array)
print(tensor)

张量的类型

在神经网络建模过程中，最常用的是torch.float 和 torch.long类型，其中float类型用于连续变量，long类型用于整数变量。

数据类型和 dtype 对应表

数据类型	dtype
32bit 浮点数	torch.float32 或 torch.float
64bit 浮点数	torch.float64 或 torch.double
16bit 浮点数	torch.float16 或 torch.half
8bit 无符号整数	torch.uint8
8bit 有符号整数	torch.int8
16bit 有符号整数	torch.int16 或 torch.short
32bit 有符号整数	torch.int32 或 torch.int
64bit 有符号整数	torch.int64 或 torch.long
布尔类型	torch.bool

# 初始化一个tensor tensor = torch.arange(10) 
print(tensor)
# 此时数据类型为long 
tensor.dtype 

# 一般的，深度学习模型要求的输入大部分为float类型﴾float32，单精度﴿ 
# 转化为float 类型，有两种办法# 1﴿ 
tensor.float()
# 2﴿ 
tensor.type(torch.float)

# 转换为长整型t.long() 

# 转化为双精度浮点型t.double() 

张量的维度变换：

1. tensor.reshape方法，能够灵活调整张量的 size，和numpy中的reshape 特性一致
2. 舍弃维度 tensor.squeeze ，与 numpy.squeeze 特性一致
3. 添加维度 tensor.unsqueeze ，与 numpy.expand_dims 特性一致
4. 维度顺序转换， tensor.transpose适用于两个维度互换， tensor.permute 适用于对所有维度重新排序

 # reshape 
x = torch.rand(4, 3, 2) x_reshpae = x.reshape(4, 6) print(x.shape, x_reshpae.shape)

# squeeze x = torch.rand(4, 1) print(x.shape,  x.squeeze().shape)

# unsqueeze x = torch.rand(4) print(x.shape, x.unsqueeze(0).shape, x.unsqueeze(1).shape)

# transpose x = torch.rand(4, 3, 2) print(x.shape,  x.transpose(1, 2).shape, # 将dim=1, dim=2 维度互换x.transpose(0, 2).shape  # 将dim=0, dim=2 维度互换)

 # permute x = torch.rand(4, 3, 2) print(x.shape,  x.permute(1, 2, 0).shape  # 将原本的1,2,0维度按照顺序重新排列)

张量的常用操作

# 创建张量
t2 = torch.tensor([[1, 2], [3, 4]])# 查看张量的属性
print(t2.numel())  # 总共有多少个元素 (num elements)
print(t2.shape)    # 张量的形状 (等价于 .size())
print(t2.size())   # 张量的形状 (同 .shape)
print(t2.ndim)     # 张量的维度数量 (number of dimensions)

# 注意：当需要计算的结果张量转化为单独的数值进行输出，需要使用.item。
n = torch.tensor(1.0) 
print(n.shape)  # 这是一个0维张量
print(n) # 需要采用item 方法将0维张量转化为数值
n.item()

# 张量的索引、切片与Numpy Array完全一致
data_1 = torch.arange(1, 15)print(data_1[1: 6])  # 索引其中2-7号元素，并且左包含右不包含
print(data_1[2:10:2])  # 索引其中3-11号元素，左包含右不包含，且隔1个数取1个
print(data_1[2::3])  # 从第3个元素开始索引，一直到结尾，并且每隔2个数取1个

# 有类似numpy.zeros函数a = torch.zeros(2, 3) 
a z

# 有类似numpy.ones 
b = torch.ones(2, 3) 
b

np.concatenate#的第一个参数必须是一个元组或列表

# 张量拼接 torch.cat ，完全类似于
np.concatenate 
torch.cat([a, b], 0) # 在第0个维度进行拼接

torch.cat([a, b], dim=1) # 在第1个维度进行拼接

矩阵或张量计算

 # 元素级别的四则运算﴾+ */﴿，要求矩阵shape完全一致或者可以进行广播，与numpy array特性一致。x = torch.rand(4, 3) 
y = torch.rand(4, 3) print((x + y).shape) print((x * y).shape) 

# 矩阵乘法，可以用魔法符号 @ 或者使用torch.mm 方法print(x.shape,  y.T.shape) print((x @ y.T).shape) 
print((torch.mm(x, y.T).shape)) 

# batch 矩阵乘法, 可以用魔法符号@ 或者使用torch.bmm 方法batch_size = 4 
x = torch.rand(batch_size, 3, 2) 
y = torch.rand(batch_size, 2, 3) print((x@y).shape) 
print((torch.bmm(x, y).shape)) 

Dataset and DataLoader

在PyTorch中，我们需要构造Dataset和DataLoader来迭代数据，训练模型，首先通过一个简单的案例讲解一下Dataset的使用.

from torch.utils.data import Dataset, DataLoader

class MyDataset(Dataset):def __init__(self, x, y):# 初始化，保存数据self.x = xself.y = ydef __len__(self):# 返回数据集样本个数return len(self.y)def __getitem__(self, item):# 根据索引获取数据，并进行必要的类型转换xi = torch.tensor(self.x[item]).float()  # 转为浮点型张量yi = torch.tensor(self.y[item]).float()  # 转为浮点型张量return xi, yi

X = np.random.rand(200, 12) 
Y = np.random.rand(200, 1) ds = MyDataset(X, Y)
ds[120]

xi, yi = ds[0] print(xi.shape) 
print(yi.shape)

dl = DataLoader(ds,  batch_size=4, shuffle=True,    #  是否乱序)

for batch_x, batch_y in dl: break print(batch_x.shape, batch_y.shape)

PyTorch下逻辑回归与反向传播

在学习逻辑回归课程时，我们了解到其优化过程采用的是梯度下降方法，现在我们就以逻辑回归为案例，讲解PyTorch下如何搭建模型，并进行训练。因为逻辑回归只具备线性分类能力，因此我们构造一个线性可分的数据集，数据只有两个特征（x1，x2），当两个特征下的取值都为1时，分类标签为1，其他时候分类标签为0。

数据表格

x1	x2	y
0	0	0
1	0	0
0	1	0
1	1	1

 导入库import torch.nn as nn  # 模型搭建import torch.nn.functional as F  # 内部封装了非常多的计算函数import matplotlib.pyplot as plt 
%matplotlib inline torch.manual_seed(1)

# 准备数据x = torch.tensor([[0,0],[1,0],[0,1],[1,1]]).float() 
y = torch.tensor([0, 0, 1, 1]).float() class LRDataset(Dataset): def __init__(self, x, y): self.x = x self.y = y def __len__(self): return len(self.y) def __getitem__(self, item): return self.x[item], self.y[item] ds = LRDataset(x, y) 
dl = DataLoader(ds, batch_size=4, shuffle=True) plt.scatter( x.data.numpy()[:, 0],  #提取所有点的第一个坐标（x 轴坐标）x.data.numpy()[:, 1],  #提取所有点的第二个坐标（y 轴坐标）c=y.data.numpy(), s=100, lw=0) 
plt.show() 

# 使用PyTorch中nn这个库来构建逻辑回归模型
import torch
import torch.nn as nnclass LogisticRegressionModel(nn.Module): def __init__(self, n_feature): super().__init__()    # 必须执行的标准步骤self.linear = nn.Linear(n_feature, 1)   # 线性层self.sigmoid = nn.Sigmoid()             # sigmoid激活函数def forward(self, x): x = self.linear(x) pred = self.sigmoid(x) return pred # 初始化模型
model = LogisticRegressionModel(n_feature=2) 
print(model)# 使用优化器SGD
optimizer = torch.optim.SGD(model.parameters(), # 需要优化的模型参数lr=0.1              # 学习率
)# 定义损失函数，采用二分类交叉熵损失
loss_func = torch.nn.BCELoss()

# 观察模型的输入与输出
for batch_x, batch_y in dl:  # 从 DataLoader 中取出一个 batchbreak  # 取出第一个 batch 后退出循环# 打印输入和输出的维度
print(f"输入维度: {batch_x.shape}")  # 输入特征的维度
print(f"输出维度: {model(batch_x).shape}")  # 模型输出的维度
print(f"标签维度: {batch_y.shape}")  # 标签（真实值）的维度
print(f"model squeeze 输出维度: {model(batch_x).squeeze().shape}")  # 模型输出的维度（降维后）# 说明
# 在计算损失函数时，将模型输出使用 squeeze 降低维度，以保持与标签的维度一致，从而正确计算 loss。

# 定义一个训练函数，训练过程中，根据loss，进行梯度下降
def train_fn(model, optimizer, dl):losses = []  # 用于存储每个批次的损失值for batch_x, batch_y in dl:# 模型预测pred = model(batch_x).squeeze()  # 模型输出，并使用squeeze降维# 计算损失loss = loss_func(pred, batch_y)# 梯度清零optimizer.zero_grad()# 反向传播，计算梯度loss.backward()# 执行梯度下降，更新参数optimizer.step()# 获取损失值并保存到CPU中，避免GPU内存占用过多loss = loss.item()  # 取出当前批次的损失值losses.append(loss)  # 保存损失值# 返回平均损失和最后一次预测结果return np.mean(losses), pred

for t in range(1,201): loss, pred = train_fn(model, optimizer, dl)        if t % 50 == 0: print(loss) 

DNN（全连结网络）

逻辑回归&线性回归只包含一个线性层（需要注意，逻辑回归虽然对数据进行了sigmoid映射，但本质的分类平面依然是线性平面），不具备对非线性关系的拟合能力。DNN包括多个线性层和激活层，其中线性层通过学习一个映射矩阵，对输入进行线性映射，激活层使用ReLU,Tahn等非线性函数使得模型具备非线性建模能力。如果不加入激活层，只是简单的堆叠线性层，多层网络和单层网络本质上是等价的。

# ReLU 函数图像relu = torch.nn.ReLU() x = torch.arange(-1, 1, 0.1) 
y = relu(x) plt.plot(x.numpy(), y.numpy())

# Tanh 函数图像tanh = torch.nn.Tanh() 
x = torch.arange(-10, 10, 0.1) 
y = tanh(x) 
plt.plot(x.numpy(), y.numpy())

回归案例

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # 生成数据x 
y = x.pow(2) + 0.2*torch.rand(x.size())  # 生成x对应的数据y plt.scatter(x.data.numpy(), y.data.numpy()) 
plt.show() 

# 创建网络class Net(torch.nn.Module): def __init__(self, n_feature, n_hidden, n_output): super(Net, self).__init__() self.fc1 = torch.nn.Linear(n_feature, n_hidden)   # 隐藏层self.activation = nn.ReLU() self.fc2 = torch.nn.Linear(n_hidden, n_output)   # 输出层def forward(self, x): x = self.activation(self.fc1(x))      # 对隐藏层数据使用激活函数y = self.fc2(x)             # 输出return y

net = Net(n_feature=1, n_hidden=10, n_output=1)     # 定义网络print(net)  # net architecture

optimizer = torch.optim.SGD(net.parameters(), lr=0.2) # 优化器loss_func = torch.nn.MSELoss()  # 损失函数

# 这里我们没有使用Dataset和DataLoader，每次迭代使用全部数据。import matplotlib.pyplot as pltplt.ion()  # 打开交互模式，便于动态更新绘图for t in range(100):  # 训练100次prediction = net(x)  # 将输入数据送入模型loss = loss_func(prediction, y)  # 计算预测值和真实值的损失optimizer.zero_grad()  # 梯度清零loss.backward()  # 反向传播optimizer.step()  # 梯度优化，更新参数if t % 20 == 0:  # 每隔20次迭代更新一次绘图# 显示学习过程plt.cla()  # 清除当前图形plt.scatter(x.data.numpy(), y.data.numpy())  # 绘制训练数据的散点图plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)  # 绘制拟合曲线plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'})  # 显示当前损失plt.pause(0.1)  # 暂停0.1秒，用于更新绘图plt.ioff()  # 关闭交互模式
plt.show()  # 显示最终图像

模型创建

1. 定义模型类
2. 使用nn.Sequential 快速创建简单的顺序执行的模型

# 通常在定义比较复杂的模型时，我们倾向与使用定义模型类的方法# 在__init__ 中定义所有模型的组件# 在forward 中定义模型的计算图class Net(torch.nn.Module): def __init__(self): super(Net, self).__init__() self.fc1 = torch.nn.Linear(2, 10) self.activation = nn.ReLU() self.fc2 = torch.nn.Linear(10, 1) def forward(self, x): x = self.activation(self.fc1(x))       x = self.fc2(x)             return x net1 = Net() 
print(net1) 

# 简单的按顺序执行的模型我们可以采用nn.Sequential 定义net2 = nn.Sequential( nn.Linear(2, 10),  nn.ReLU(), nn.Linear(10, 1) 
) print(net2) 

x = torch.rand(4, 2) print(net1(x).shape) 
print(net2(x).shape)

保存和加载模型

#保存和加载模型 
# 1. 当模型训练好后，保存模型参数`state_dict` torch.save(net1.state_dict(), 'model.bin') # 2. 加载模型时，首先初始化模型，再加载模型参数net1 = Net() 
net1.load_state_dict(torch.load('model.bin')) 

模型训练与验证

#模型训练与验证
net1.train()  # 该语句让模型进入训练状态net1.eval()   # 该语句让模型进入验证/预测状态