关于pytorch:最完整的PyTorch数据科学家指南1

39次阅读

共计 1899 个字符,预计需要花费 5 分钟才能阅读完成。

进行深度学习时您将须要的所有 PyTorch 性能。从试验 / 钻研的角度来看。

PyTorch 曾经成为当初创立神经网络的事实上的规范之一,我喜爱它的界面。然而,对于初学者来说,要取得它有些艰难。

我记得几年前通过一些宽泛的试验之后才抉择 PyTorch。实话实说,我花了很多工夫才捡起来,但我很快乐我从 Keras 搬到 PyTorch。凭借其高度可定制性和 python 语法, PyTorch能够与 别人一起工作,这是我的荣幸,我将其举荐给任何心愿通过深度学习进行沉重工作的人。

因而,在本 PyTorch 指南中,我将尝试加重 PyTorch 对于初学者的苦楚,并介绍在应用 Pytorch 创立任何神经网络时须要的一些最重要的类和模块。

然而,这并不是说它仅针对初学者,因为 我还将议论 PyTorch 提供高可定制性,并议论自定义的 Layers,Datasets,Dataloaders 和 Loss 函数。

张量

张量是 PyTorch 的根本构建块,简略地说,它们是 NumPy 数组,但在 GPU 上。在这一部分中,我将列出一些在应用 Tensors 时能够应用的最罕用的操作。这绝不是张量能够执行的详尽操作列表,然而在进行更令人兴奋的局部之前理解张量是有帮忙的。

1. 创立张量

咱们能够通过多种形式创立 PyTorch 张量。这包含从 NumPy 数组转换为张量。上面只是一个要点,上面是一些示例,然而您能够  像应用 NumPy 数组一样应用张量来做更多的事件。

2. 张量运算

同样,您能够对这些张量执行很多操作。

留神: 什么是 PyTorch 变量?在以前的 Pytorch 版本中,Tensor 和 Variables 已经是不同的,并且提供了不同的性能,然而当初不赞成应用 Variable API,并且所有用于 Tensors 的变量 办法都能够应用。因而,如果您不理解它们,那很好,因为它们不是必须的,如果您理解它们,则能够将它们遗记。

nn. 模块

然而话又说回来,如果 Pytorch 没有提供很多现成的层,而这些层在各种神经网络体系结构中十分频繁地应用,则 Pytorch 不会被宽泛应用。一些例子是:nn.Linear,nn.Conv2d,nn.MaxPool2d,nn.ReLU,nn.BatchNorm2d,nn.Dropout,nn.Embedding,,,,,,nn.GRU/nn.LSTMnn.Softmaxnn.LogSoftmaxnn.MultiheadAttentionnn.TransformerEncodernn.TransformerDecoder

在这里,咱们定义了一个非常简单的网络,该网络承受大小为 784 的输出,并以程序形式将其通过两个线性层。然而要留神的是,咱们能够在定义前向通过时定义任何类型的计算,这使得 PyTorch 高度可定制以用于钻研目标。例如,在疯狂的试验模式下,咱们可能应用了以下网络,在该网络上咱们任意附加了图层。在这里,咱们在将输出再次增加回第二个线性层(跳过连贯)之后,将输入从第二个线性层再次发送回第一个线性层。

咱们还能够查看神经网络正向传递是否起作用。通常,我首先创立一些随机输出,而后将其通过我创立的网络进行传递。

对于层的一句话

Pytorch 十分弱小,您实际上能够应用本人创立任何新的试验层 nn.Module。例如,而不是应用预约义的线性层 nn.Linear。从 Pytorch 以上,咱们能够曾经创立了 定制线性层

您将看到如何在中包装权重张量。nn.Parameter. 这样做是为了使张量被视为模型参数。

参数是 Tensor子类,当与 Module- 一起应用时具备十分非凡的属性 - 当将它们调配为模块属性时,它们会主动增加到其参数列表中,并将呈现在 parameters() 迭代器中。

稍后您将看到,model.parameters()迭代器将成为优化器的输出。然而稍后会更多。当初,咱们当初能够在任何 PyTorch 网络中应用此自定义层,就像其余任何层一样。

然而话又说回来,如果 Pytorch 没有提供很多现成的层,而这些层在各种神经网络体系结构中十分频繁地应用,则 Pytorch 不会被宽泛应用。一些例子是:nn.Linear,nn.Conv2d,nn.MaxPool2d,nn.ReLU,nn.BatchNorm2d,nn.Dropout,nn.Embedding,nn.GRU/nn.LSTM,nn.Softmax,nn.LogSoftmax,nn.MultiheadAttention,nn.TransformerEncoder,nn.TransformerDecoder

以上就是 Torch 的根底操作,下一篇文章会为同学们解说卷积局部的操作。

正文完
 0