入门Pytorch（1）

今天是本人学习Pytorch的第一天。简单介绍一下什么是Pytorch吧。

Pytorch

Pytorch是torch的python版本，是由Facebook开源的神经网络框架，专门针对 GPU 加速的深度神经网络（DNN）编程。与Tensorflow的静态计算图不同，pytorch的计算图是动态的，可以根据计算需要实时改变计算图。目前来说，pytorch有一个越来越热门的趋势，原因可能就是其学习成本相对较低，可以快速上手。

本文不介绍Pytorch如何安装了（毕竟本人刚刚入门），这篇博客的内容主要来自唐宇迪的课件，内容就不做过多的原创了。对我而言，目前能把迪哥讲的内容吃透就很满足了。

学习方法

• 1.边用边学，Torch只是一个工具，真正用，查的过程才是学的过程
• 2.直接上案例就行，先来跑，遇到问题再上网搜索
• 3.有一定面向对象的基础

Mnist分类任务：

• 网络基本构建与训练方法，常用函数解析

• torch.nn.functional模块

• nn.Module模块

读取Mnist数据集

• 会自动进行下载

import torch
print(torch.__version__)

2.4.1

%matplotlib inline

from pathlib import Path

DATA_PATH = Path("data")
PATH = DATA_PATH / "mnist"
FILENAME = "mnist.pkl.gz"

import pickle
import gzip

with gzip.open((PATH / FILENAME).as_posix(), "rb") as f:
        ((x_train, y_train), (x_valid, y_valid), _) = pickle.load(f, encoding="latin-1")

其中，784是mnist数据集每个样本的像素点，50000行是样本个数，784是图像数据的特征点

print（x_train.shape,y_train.shape）

((50000, 784), (50000,))

from matplotlib import pyplot
import numpy as np

pyplot.figure(figsize=(1.5,2))
pyplot.imshow(x_train[0].reshape((28, 28)), cmap="gray")
pyplot.show()

整个框架的结构图

单个样本计算的过程图

其中输出的是各个类别的概率（亦可能是数值），选取最大值作为预测值
隐藏层的结构可以根据需求进行变化，但层数一般是$2^n$

注意数据需转换成tensor才能参与后续建模训练

数据类型转换

转换前的数据结构

#n是样本个数，c是特征个数（样本点）
n, c = x_train.shape
x_train, x_train.shape, y_train.min(), y_train.max()
print(x_train, y_train)
print(x_train.shape)
print(y_train.min(), y_train.max())#由此可以看出，这是一个十分类的任务

[[0., 0., 0.,  ..., 0., 0., 0.],
        [0., 0., 0.,  ..., 0., 0., 0.],
        [0., 0., 0.,  ..., 0., 0., 0.],
        ...,
        [0., 0., 0.,  ..., 0., 0., 0.],
        [0., 0., 0.,  ..., 0., 0., 0.],
        [0., 0., 0.,  ..., 0., 0., 0.]][5, 0, 4,  ..., 8, 4, 8]
        (50000,784)
        0 9

map映射------将array变成tensor

#此时y_train是数组格式
y_train[0:10]

array([5, 0, 4, 1, 9, 2, 1, 3, 1, 4], dtype=int64)

#做map映射，将数据类型转换成tensor
x_train