Pytorch 学习开始 入门的材料来自两个地方：
第一个是官网教程：WELCOME TO PYTORCH TUTORIALS，特别是官网的六十分钟入门教程 DEEP LEARNING WITH PYTORCH: A 60 MINUTE BLITZ。
第二个是韩国大神 Yunjey Choi 的 Repo：pytorch-tutorial，代码写得干净整洁。
目的：我是直接把 Yunjey 的教程的 python 代码挪到 Jupyter Notebook 上来，一方面可以看到运行结果，另一方面可以添加注释和相关资料链接。方便后面查阅。
顺便一题，我的 Pytorch 的版本是 0.4.1
代码语言：javascript复制 import torchprint(torch.version) 0.4.1 # 包import torch import torchvisionimport torch.nn as nnimport numpy as npimport torchvision.transforms as transformsautograd（自动求导 / 求梯度） 基础案例 1
代码语言：javascript复制 # 创建张量（tensors）x = torch.tensor(1., requires_grad=True)w = torch.tensor(2., requires_grad=True)b = torch.tensor(3., requires_grad=True) # 构建计算图（ computational graph）：前向计算y = w * x b # y = 2 * x 3 # 反向传播，计算梯度（gradients）y.backward() # 输出梯度print(x.grad) # x.grad = 2 print(w.grad) # w.grad = 1 print(b.grad) # b.grad = 1 tensor(2.)tensor(1.)tensor(1.)autograd（自动求导 / 求梯度） 基础案例 2
代码语言：javascript复制 # 创建大小为 (10, 3) 和 (10, 2)的张量.x = torch.randn(10, 3)y = torch.randn(10, 2) # 构建全连接层（fully connected layer）linear = nn.Linear(3, 2)print ('w: ', linear.weight)print ('b: ', linear.bias) # 构建损失函数和优化器（loss function and optimizer）# 损失函数使用均方差# 优化器使用随机梯度下降，lr是learning ratecriterion = nn.MSELoss()optimizer = torch.optim.SGD(linear.parameters(), lr=0.01) # 前向传播pred = linear(x) # 计算损失loss = criterion(pred, y)print('loss: ', loss.item()) # 反向传播loss.backward() # 输出梯度print ('dL/dw: ', linear.weight.grad) print ('dL/db: ', linear.bias.grad) # 执行一步-梯度下降（1-step gradient descent）optimizer.step() # 更底层的实现方式是这样子的# linear.weight.data.sub_(0.01 * linear.weight.grad.data)# linear.bias.data.sub_(0.01 * linear.bias.grad.data) # 进行一次梯度下降之后，输出新的预测损失# loss的确变少了pred = linear(x)loss = criterion(pred, y)print(‘loss after 1 step optimization: ‘, loss.item()) w: Parameter containing:tensor([[ 0.5180, 0.2238, -0.5470], [ 0.1531, 0.2152, -0.4022]], requires_grad=True)b: Parameter containing:tensor([-0.2110, -0.2629], requires_grad=True)loss: 0.8057981729507446dL/dw: tensor([[-0.0315, 0.1169, -0.8623], [ 0.4858, 0.5005, -0.0223]])dL/db: tensor([0.1065, 0.0955])loss after 1 step optimization: 0.7932316660881042从 Numpy 装载数据
代码语言：javascript复制 # 创建Numpy数组x = np.array([[1, 2], [3, 4]])print(x) # 将numpy数组转换为torch的张量y = torch.from_numpy(x)print(y) # 将torch的张量转换为numpy数组z = y.numpy()print(z) [[1 2] [3 4]]tensor([[1, 2], [3, 4]])[[1 2] [3 4]]输入工作流（Input pipeline）
代码语言：javascript复制 # 下载和构造CIFAR-10 数据集# Cifar-10数据集介绍：https://www.cs.toronto.edu/~kriz/cifar.htmltrain_dataset = torchvision.datasets.CIFAR10(root=’…/…/…/data/’, train=True, transform=transforms.ToTensor(), download=True) # 获取一组数据对（从磁盘中读取）image, label = train_dataset[0]print (image.size())print (label) # 数据加载器（提供了队列和线程的简单实现）train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=64, shuffle=True) # 迭代的使用# 当迭代开始时，队列和线程开始从文件中加载数据data_iter = iter(train_loader) # 获取一组mini-batchimages, labels = data_iter.next() # 正常的使用方式如下：for images, labels in train_loader: # 在此处添加训练用的代码 pass Files already downloaded and verifiedtorch.Size([3, 32, 32])6自定义数据集的 Input pipeline
代码语言：javascript复制 # 构建自定义数据集的方式如下：class CustomDataset(torch.utils.data.Dataset): def init(self): # TODO # 1. 初始化文件路径或者文件名 pass def getitem(self, index): # TODO # 1. 从文件中读取一份数据（比如使用nump.fromfile，PIL.Image.open） # 2. 预处理数据（比如使用 torchvision.Transform） # 3. 返回数据对（比如 image和label） pass def len(self): # 将0替换成数据集的总长度 return 0 # 然后就可以使用预置的数据加载器（data loader）了custom_dataset = CustomDataset()train_loader = torch.utils.data.DataLoader(dataset=custom_dataset, batch_size=64, shuffle=True) 预训练模型 # 下载并加载预训练好的模型 ResNet-18resnet = torchvision.models.resnet18(pretrained=True) # 如果想要在模型仅对Top Layer进行微调的话，可以设置如下：# requieres_grad设置为False的话，就不会进行梯度更新，就能保持原有的参数for param in resnet.parameters(): param.requires_grad = False # 替换TopLayer，只对这一层做微调resnet.fc = nn.Linear(resnet.fc.in_features, 100) # 100 is an example. # 前向传播images = torch.randn(64, 3, 224, 224)outputs = resnet(images)print (outputs.size()) # (64, 100) torch.Size([64, 100])保存和加载模型
代码语言：javascript复制 # 保存和加载整个模型torch.save(resnet, ‘model.ckpt’)model = torch.load(‘model.ckpt’) # 仅保存和加载模型的参数（推荐这个方式）torch.save(resnet.state_dict(), ‘params.ckpt’)resnet.load_state_dict(torch.load(‘params.ckpt’))
