動手學深度學習 PyTorch

一、基本介紹

深度學習是對人工神經網絡的發展與應用。在人工神經網絡中，神經元通過接受輸入來生成輸出。深度學習通常使用很多層神經元來構建模型，這樣可以處理更加複雜的問題。PyTorch是一個深度學習框架，它提供了豐富的功能和易用的API，它以優秀的張量庫為基礎，提供充分豐富且易用的數據結構和操作接口。

二、安裝和環境搭建

安裝和環境搭建是開發深度學習應用的必要準備工作。PyTorch可以支持多種平台，可以在Windows，Linux和MacOS上工作。從官網pytorch.org中可以下載發行版本或者從源碼構建。安裝完PyTorch後，可以使用Anaconda或者普通的python解釋器來創建Python環境，用來管理更加複雜的依賴項。

import torch
print(torch.__version__)

if torch.cuda.is_available():
    device = torch.device("cuda") 
    print('Using GPU')
else: 
    device = torch.device("cpu")
    print('Using CPU')

三、基本操作

PyTorch提供了許多張量操作，比如加法，乘法，合併，轉置等等。張量是PyTorch中最基礎的類型，代表了多維數組。使用張量，可以進行數字運算和線性代數操作，並且可以右擊以獲取想要的特殊性質。

import torch

a = torch.tensor([[1., 2.], [3., 4.]])
b = torch.tensor([[5., 6.], [7., 8.]])
c = torch.tensor([[9., 10.], [11., 12.]])

print(torch.add(a, b))
print(torch.matmul(a, b))
print(torch.transpose(a, 0, 1))

四、神經網絡

神經網絡是深度學習的基本架構，在PyTorch中使用張量和自動微分來實現。PyTorch中的神經網絡可以用於圖像識別，語音處理，自然語言處理等其他領域。PyTorch可以構建簡單的神經網絡和複雜的卷積神經網絡，因此成為了許多實例化機器學習應用程序的首選。

import torch.nn as nn
import torch.optim as optim
import torch.utils.data as data

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.fc = nn.Linear(320, 10)

    def forward(self, x):
        x = nn.functional.relu(nn.functional.max_pool2d(self.conv1(x), 2))
        x = nn.functional.relu(nn.functional.max_pool2d(self.conv2(x), 2))
        x = x.view(-1, 320)
        x = self.fc(x)
        return nn.functional.log_softmax(x, dim=1)

net = Net()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
criterion = nn.CrossEntropyLoss()

loader = data.DataLoader(trainset, batch_size=64,
                          shuffle=True, num_workers=4)

for epoch in range(10):
    running_loss = 0.0
    for i, data in enumerate(loader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if i % 200 == 199: 
            print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 200))
            running_loss = 0.0

五、模型的保存和加載

在模型訓練完成後，可以保存模型並隨時加載模型在測試數據集上進行驗證和預測。在PyTorch中，可以使用torch.save()和torch.load()來保存和加載模型的參數。當重新加載模型參數時，需要確保模型構建完全相同，否則模型可能會執行不正確。在實際使用中，可以使用模型的子類化或使用預訓練模型來構建模型，以便提高結果質量。

import torch.nn as nn
import torch.optim as optim
import torch.utils.data as data

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.fc = nn.Linear(320, 10)

    def forward(self, x):
        x = nn.functional.relu(nn.functional.max_pool2d(self.conv1(x), 2))
        x = nn.functional.relu(nn.functional.max_pool2d(self.conv2(x), 2))
        x = x.view(-1, 320)
        x = self.fc(x)
        return nn.functional.log_softmax(x, dim=1)

net = Net()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
criterion = nn.CrossEntropyLoss()

# Save model
torch.save(net.state_dict(), 'model.pth')

# Load model
model = Net()
model.load_state_dict(torch.load('model.pth'))

六、總結

PyTorch是一個功能強大且易用的深度學習框架，它可以幫助開發者在短時間內實現深度學習應用。基本操作，神經網絡和模型的保存和加載是PyTorch中的重要部分。