60分钟入门PyTorch
极市导读
本文从最基础的张量开始介绍，然后介绍了非常重要的自动求梯度的 autograd ，接着介绍如何构建一个神经网络，如何训练图像分类器，最后简单介绍使用多 GPUs 加快训练速度的方法。 >>加入极市CV技术交流群，走在计算机视觉的最前沿
PyTorch 是由 Facebook 开发，基于 Torch 开发，从并不常用的 Lua 语言转为 Python 语言开发的深度学习框架，Torch 是 TensorFlow 开源前非常出名的一个深度学习框架，而 PyTorch 在开源后由于其使用简单，动态计算图的特性得到非常多的关注，并且成为了 TensorFlow 的 最大竞争对手。目前其 Github 也有 2w8+ 关注。
Github 地址：https://github.com/pytorch/pytorch
官网：https://pytorch.org/
论坛：https://discuss.pytorch.org/
本文是翻译自官方版教程--DEEP LEARNING WITH PYTORCH: A 60 MINUTE BLITZ，一份 60 分钟带你快速入门 PyTorch 的官方教程。
(ps. 文末有最新的更新，介绍了深度学习的入门资料推荐、PyTorch 的教程推荐，如果阅读本文后还是有些困难的，可以看看文末推荐的深度学习书籍和教程，先入门深度学习，有一定基础再学习 PyTorch，效果会更好！)
本文目录如下：
1. Pytorch 是什么
Pytorch 是一个基于 Python 的科学计算库，它面向以下两种人群：
希望将其代替 Numpy 来利用 GPUs 的威力； 一个可以提供更加灵活和快速的深度学习研究平台。
1.1 安装
pytorch 的安装可以直接查看官网教程，如下所示，官网地址：https://pytorch.org/get-started/locally/
根据提示分别选择系统(Linux、Mac 或者 Windows)，安装方式(Conda，Pip，LibTorch 或者源码安装)、使用的编程语言(Python 2.7 或者 Python 3.5,3.6,3.7 或者是 C++)，如果是 GPU 版本，就需要选择 CUDA 的 版本，所以，如果如上图所示选择，安装的命令是：
conda install pytorch torchvision cudatoolkit=9.0 -c pytorch
这里推荐采用 Conda 安装，即使用 Anaconda，主要是可以设置不同环境配置不同的设置，关于 Anaconda 可以查看我之前写的 Python 基础入门--简介和环境配置。
当然这里会安装最新版本的 Pytorch，也就是 1.1 版本，如果希望安装之前的版本，可以点击下面的网址：
http://pytorch.org/get-started/previous-versions/
如下图所示，安装 0.4.1 版本的 pytorch，在不同版本的 CUDA 以及没有 CUDA 的情况。
然后还有其他的安装方式，具体可以自己点击查看。
安装后，输入下列命令：
from __future__ import print_functionimport torchx = torch.rand(5, 3)print(x)
输出结果类似下面的结果即安装成功：
tensor([[0.3380, 0.3845, 0.3217],[0.8337, 0.9050, 0.2650],[0.2979, 0.7141, 0.9069],[0.1449, 0.1132, 0.1375],[0.4675, 0.3947, 0.1426]])
然后是验证能否正确运行在 GPU 上，输入下列代码，这份代码中 cuda.is_available() 主要是用于检测是否可以使用当前的 GPU 显卡，如果返回 True，当然就可以运行，否则就不能。
import torchtorch.cuda.is_available()1.2 张量(Tensors)
Pytorch 的一大作用就是可以代替 Numpy 库，所以首先介绍 Tensors ，也就是张量，它相当于 Numpy 的多维数组(ndarrays)。两者的区别就是 Tensors 可以应用到 GPU 上加快计算速度。
首先导入必须的库，主要是 torch
from __future__ import print_functionimport torch
1.2.1 声明和定义
首先是对 Tensors 的声明和定义方法，分别有以下几种：
torch.empty(): 声明一个未初始化的矩阵。
# 创建一个 5*3 的矩阵x = torch.empty(5, 3)print(x)
输出结果如下：
tensor([[9.2737e-41, 8.9074e-01, 1.9286e-37],[1.7228e-34, 5.7064e+01, 9.2737e-41],[2.2803e+02, 1.9288e-37, 1.7228e-34],[1.4609e+04, 9.2737e-41, 5.8375e+04],[1.9290e-37, 1.7228e-34, 3.7402e+06]])
torch.rand()：随机初始化一个矩阵
# 创建一个随机初始化的 5*3 矩阵rand_x = torch.rand(5, 3)print(rand_x)
输出结果：
tensor([[0.4311, 0.2798, 0.8444],[0.0829, 0.9029, 0.8463],[0.7139, 0.4225, 0.5623],[0.7642, 0.0329, 0.8816],[1.0000, 0.9830, 0.9256]])
torch.zeros()：创建数值皆为 0 的矩阵
# 创建一个数值皆是 0，类型为 long 的矩阵zero_x = torch.zeros(5, 3, dtype=torch.long)print(zero_x)
输出结果如下：
tensor([[0, 0, 0],[0, 0, 0],[0, 0, 0],[0, 0, 0],[0, 0, 0]])
类似的也可以创建数值都是 1 的矩阵，调用 torch.ones
torch.tensor()：直接传递 tensor 数值来创建
# tensor 数值是 [5.5, 3]tensor1 = torch.tensor([5.5, 3])print(tensor1)
输出结果：
tensor([5.5000, 3.0000])除了上述几种方法，还可以根据已有的 tensor 变量创建新的 tensor 变量，这种做法的好处就是可以保留已有 tensor 的一些属性，包括尺寸大小、数值属性，除非是重新定义这些属性。相应的实现方法如下：
tensor.new_ones()：new_*() 方法需要输入尺寸大小
tensor2 = tensor1.new_ones(5, 3, dtype=torch.double)print(tensor2)输出结果：tensor([[1., 1., 1.],[],[],[],[]], dtype=torch.float64)
torch.randn_like(old_tensor)：保留相同的尺寸大小
# 修改数值类型tensor3 = torch.randn_like(tensor2, dtype=torch.float)print('tensor3: ', tensor3)
输出结果，这里是根据上个方法声明的 tensor2 变量来声明新的变量，可以看出尺寸大小都是 5*3，但是数值类型是改变了的。
tensor3: tensor([[-0.4491, -0.2634, -0.0040],[-0.1624, 0.4475, -0.8407],[-0.6539, -1.2772, 0.6060],[ 0.2304, 0.0879, -0.3876],[ 1.2900, -0.7475, -1.8212]])
最后，对 tensors 的尺寸大小获取可以采用 tensor.size() 方法：
print(tensor3.size())# 输出: torch.Size([5, 3])
注意：torch.Size 实际上是元组(tuple)类型，所以支持所有的元组操作。
1.2.2 操作(Operations)
操作也包含了很多语法，但这里作为快速入门，仅仅以加法操作作为例子进行介绍，更多的操作介绍可以点击下面网址查看官方文档，包括转置、索引、切片、数学计算、线性代数、随机数等等：
https://pytorch.org/docs/stable/torch.html
对于加法的操作，有几种实现方式：
+ 运算符 torch.add(tensor1, tensor2, [out=tensor3]) tensor1.add_(tensor2)：直接修改 tensor 变量
tensor4 = torch.rand(5, 3)print('tensor3 + tensor4= ', tensor3 + tensor4)print('tensor3 + tensor4= ', torch.add(tensor3, tensor4))# 新声明一个 tensor 变量保存加法操作的结果result = torch.empty(5, 3)torch.add(tensor3, tensor4, out=result)print('add result= ', result)# 直接修改变量tensor3.add_(tensor4)print('tensor3= ', tensor3)
输出结果
tensor3 + tensor4= tensor([[ 0.1000, 0.1325, 0.0461],[],[],[],[]])tensor3 + tensor4= tensor([[ 0.1000, 0.1325, 0.0461],[],[],[],[]])add result= tensor([[ 0.1000, 0.1325, 0.0461],[],[],[],[]])tensor3= tensor([[ 0.1000, 0.1325, 0.0461],[],[],[],[]])
注意：可以改变 tensor 变量的操作都带有一个后缀 _, 例如 x.copy_(y), x.t_() 都可以改变 x 变量
除了加法运算操作，对于 Tensor 的访问，和 Numpy 对数组类似，可以使用索引来访问某一维的数据，如下所示：
# 访问 tensor3 第一列数据print(tensor3[:, 0])
输出结果：
tensor([0.1000, 0.4731, 0.2995, 1.0461, 2.2446])
对 Tensor 的尺寸修改，可以采用 torch.view() ，如下所示：
x = torch.randn(4, 4)y = x.view(16)# -1 表示除给定维度外的其余维度的乘积z = x.view(-1, 8)print(x.size(), y.size(), z.size())
输出结果：
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
如果 tensor 仅有一个元素，可以采用 .item() 来获取类似 Python 中整数类型的数值：
x = torch.randn(1)print(x)print(x.item())
输出结果:
tensor([0.4549])0.4549027979373932
更多的运算操作可以查看官方文档的介绍：
https://pytorch.org/docs/stable/torch.html
1.3 和 Numpy 数组的转换
Tensor 和 Numpy 的数组可以相互转换，并且两者转换后共享在 CPU 下的内存空间，即改变其中一个的数值，另一个变量也会随之改变。
1.3.1 Tensor 转换为 Numpy 数组
实现 Tensor 转换为 Numpy 数组的例子如下所示，调用 tensor.numpy() 可以实现这个转换操作。
a = torch.ones(5)print(a)b = a.numpy()print(b)
输出结果：
tensor([1., 1., 1., 1., 1.])[1. 1. 1. 1. 1.]
此外，刚刚说了两者是共享同个内存空间的，例子如下所示，修改 tensor 变量 a，看看从 a 转换得到的 Numpy 数组变量 b 是否发生变化。
a.add_(1)print(a)print(b)
输出结果如下，很明显，b 也随着 a 的改变而改变。
tensor([2., 2., 2., 2., 2.])[2. 2. 2. 2. 2.]
1.3.2 Numpy 数组转换为 Tensor
转换的操作是调用 torch.from_numpy(numpy_array) 方法。例子如下所示：
import numpy as npa = np.ones(5)b = torch.from_numpy(a)np.add(a, 1, out=a)print(a)print(b)
输出结果：
[2. 2. 2. 2. 2.]tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
在 CPU 上，除了 CharTensor 外的所有 Tensor 类型变量，都支持和 Numpy数组的相互转换操作。
1.4. CUDA 张量
Tensors 可以通过 .to 方法转换到不同的设备上，即 CPU 或者 GPU 上。例子如下所示：
# 当 CUDA 可用的时候，可用运行下方这段代码，采用 torch.device() 方法来改变 tensors 是否在 GPU 上进行计算操作if torch.cuda.is_available():device = torch.device("cuda") # 定义一个 CUDA 设备对象y = torch.ones_like(x, device=device) # 显示创建在 GPU 上的一个 tensorx = x.to(device) # 也可以采用 .to("cuda")z = x + yprint(z)print(z.to("cpu", torch.double)) # .to() 方法也可以改变数值类型
输出结果，第一个结果就是在 GPU 上的结果，打印变量的时候会带有 device='cuda:0'，而第二个是在 CPU 上的变量。
tensor([1.4549], device='cuda:0')tensor([1.4549], dtype=torch.float64)
本小节教程：
https://pytorch.org/tutorials/beginner/blitz/tensor_tutorial.html
本小节的代码：
https://github.com/ccc013/DeepLearning_Notes/blob/master/Pytorch/practise/basic_practise.ipynb
2. autograd
对于 Pytorch 的神经网络来说，非常关键的一个库就是 autograd ，它主要是提供了对 Tensors 上所有运算操作的自动微分功能，也就是计算梯度的功能。它属于 define-by-run 类型框架，即反向传播操作的定义是根据代码的运行方式，因此每次迭代都可以是不同的。
接下来会简单介绍一些例子来说明这个库的作用。
2.1 张量
torch.Tensor 是 Pytorch 最主要的库，当设置它的属性 .requires_grad=True，那么就会开始追踪在该变量上的所有操作，而完成计算后，可以调用 .backward() 并自动计算所有的梯度，得到的梯度都保存在属性 .grad 中。
调用 .detach() 方法分离出计算的历史，可以停止一个 tensor 变量继续追踪其历史信息 ，同时也防止未来的计算会被追踪。
而如果是希望防止跟踪历史（以及使用内存），可以将代码块放在 with torch.no_grad(): 内，这个做法在使用一个模型进行评估的时候非常有用，因为模型会包含一些带有 requires_grad=True 的训练参数，但实际上并不需要它们的梯度信息。
对于 autograd 的实现，还有一个类也是非常重要-- Function 。
Tensor 和 Function 两个类是有关联并建立了一个非循环的图，可以编码一个完整的计算记录。每个 tensor 变量都带有属性 .grad_fn ，该属性引用了创建了这个变量的 Function （除了由用户创建的 Tensors，它们的 grad_fn=None )。
如果要进行求导运算，可以调用一个 Tensor 变量的方法 .backward() 。如果该变量是一个标量，即仅有一个元素，那么不需要传递任何参数给方法 .backward()，当包含多个元素的时候，就必须指定一个 gradient 参数，表示匹配尺寸大小的 tensor，这部分见第二小节介绍梯度的内容。
接下来就开始用代码来进一步介绍。
首先导入必须的库：
import torch
开始创建一个 tensor， 并让 requires_grad=True 来追踪该变量相关的计算操作：
x = torch.ones(2, 2, requires_grad=True)print(x)
输出结果：
tensor([[1., 1.],[]], requires_grad=True)
执行任意计算操作，这里进行简单的加法运算：
y = x + 2print(y)
输出结果：
tensor([[3., 3.],[3., 3.]], grad_fn=<AddBackward>)
y 是一个操作的结果，所以它带有属性 grad_fn：
print(y.grad_fn)
输出结果：
继续对变量 y 进行操作：
z = y * y * 3out = z.mean()print('z=', z)print('out=', out)
输出结果：
z= tensor([[27., 27.],[27., 27.]], grad_fn=) out= tensor(27., grad_fn=)
实际上，一个 Tensor 变量的默认 requires_grad 是 False ，可以像上述定义一个变量时候指定该属性是 True，当然也可以定义变量后，调用 .requires_grad_(True) 设置为 True ，这里带有后缀 _ 是会改变变量本身的属性，在上一节介绍加法操作 add_() 说明过，下面是一个代码例子：
a = torch.randn(2, 2)a = ((a * 3) / (a - 1))print(a.requires_grad)a.requires_grad_(True)print(a.requires_grad)b = (a * a).sum()print(b.grad_fn)
输出结果如下，第一行是为设置 requires_grad 的结果，接着显示调用 .requires_grad_(True)，输出结果就是 True 。
FalseTrue0x00000216D25ED710 >
2.2 梯度
接下来就是开始计算梯度，进行反向传播的操作。out 变量是上一小节中定义的，它是一个标量，因此 out.backward() 相当于 out.backward(torch.tensor(1.)) ，代码如下：
out.backward()# 输出梯度 d(out)/dxprint(x.grad)
输出结果：
tensor([[4.5000, 4.5000],[4.5000, 4.5000]])
结果应该就是得到数值都是 4.5 的矩阵。这里我们用 o 表示 out 变量，那么根据之前的定义会有：
详细来说，初始定义的 x 是一个全为 1 的矩阵，然后加法操作 x+2 得到 y ，接着 y*y*3， 得到 z ，并且此时 z 是一个 2*2 的矩阵，所以整体求平均得到 out 变量应该是除以 4，所以得到上述三条公式。
因此，计算梯度：
从数学上来说，如果你有一个向量值函数：
那么对应的梯度是一个雅克比矩阵(Jacobian matrix)：
一般来说，torch.autograd 就是用于计算雅克比向量(vector-Jacobian)乘积的工具。这里略过数学公式，直接上代码例子介绍：
x = torch.randn(3, requires_grad=True)y = x * 2while y.data.norm() < 1000:y = y * 2print(y)
输出结果：
tensor([ 237.5009, 1774.2396, 274.0625], grad_fn=<MulBackward>)
这里得到的变量 y 不再是一个标量，torch.autograd 不能直接计算完整的雅克比行列式，但我们可以通过简单的传递向量给 backward() 方法作为参数得到雅克比向量的乘积，例子如下所示：
v = torch.tensor([0.1, 1.0, 0.0001], dtype=torch.float)y.backward(v)print(x.grad)
输出结果：
tensor([ 102.4000, 1024.0000, 0.1024])
最后，加上 with torch.no_grad() 就可以停止追踪变量历史进行自动梯度计算：
print(x.requires_grad)print((x ** 2).requires_grad)with torch.no_grad():print((x ** 2).requires_grad)
输出结果：
TrueTrueFalse更多有关autograd和Function的介绍：
https://pytorch.org/docs/autograd
本小节教程：
https://pytorch.org/tutorials/beginner/blitz/autograd_tutorial.html
本小节的代码：
https://github.com/ccc013/DeepLearning_Notes/blob/master/Pytorch/practise/autograd.ipynb
3. 神经网络
在 PyTorch 中 torch.nn 专门用于实现神经网络。其中 nn.Module 包含了网络层的搭建，以及一个方法-- forward(input) ，并返回网络的输出 outptu .
下面是一个经典的 LeNet 网络，用于对字符进行分类。
对于神经网络来说，一个标准的训练流程是这样的：
定义一个多层的神经网络 对数据集的预处理并准备作为网络的输入 将数据输入到网络 计算网络的损失 反向传播，计算梯度 更新网络的梯度，一个简单的更新规则是 weight = weight - learning_rate * gradient
3.1 定义网络
首先定义一个神经网络，下面是一个 5 层的卷积神经网络，包含两层卷积层和三层全连接层：
import torchimport torch.nn as nnimport torch.nn.functional as Fclass Net(nn.Module):def __init__(self):super(Net, self).__init__()# 输入图像是单通道，conv1 kenrnel size=5*5，输出通道 6self.conv1 = nn.Conv2d(1, 6, 5)# conv2 kernel size=5*5, 输出通道 16self.conv2 = nn.Conv2d(6, 16, 5)# 全连接层self.fc1 = nn.Linear(16*5*5, 120)self.fc2 = nn.Linear(120, 84)self.fc3 = nn.Linear(84, 10)def forward(self, x):# max-pooling 采用一个 (2,2) 的滑动窗口x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))# 核(kernel)大小是方形的话，可仅定义一个数字，如 (2,2) 用 2 即可x = F.max_pool2d(F.relu(self.conv2(x)), 2)x = x.view(-1, self.num_flat_features(x))x = F.relu(self.fc1(x))x = F.relu(self.fc2(x))x = self.fc3(x)return xdef num_flat_features(self, x):# 除了 batch 维度外的所有维度size = x.size()[1:]num_features = 1for s in size:num_features *= sreturn num_featuresnet = Net()print(net)打印网络结构：
Net((conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))(fc1): Linear(in_features=400, out_features=120, bias=True)(fc2): Linear(in_features=120, out_features=84, bias=True)(fc3): Linear(in_features=84, out_features=10, bias=True))
这里必须实现forward函数，而backward函数在采用autograd时就自动定义好了，在forward方法可以采用任何的张量操作。
net.parameters() 可以返回网络的训练参数，使用例子如下：
params = list(net.parameters())print('参数数量: ', len(params))print('第一个参数大小: ', params[0].size())
输出：
参数数量: 10第一个参数大小: torch.Size([6, 1, 5, 5])
然后简单测试下这个网络，随机生成一个 32*32 的输入：
# 随机定义一个变量输入网络input = torch.randn(1, 1, 32, 32)out = net(input)print(out)
输出结果：
tensor([[ 0.1005, 0.0263, 0.0013, -0.1157, -0.1197, -0.0141, 0.1425, -0.0521,0.0689, 0.0220]], grad_fn=<ThAddmmBackward>)
接着反向传播需要先清空梯度缓存，并反向传播随机梯度：
# 清空所有参数的梯度缓存，然后计算随机梯度进行反向传播net.zero_grad()out.backward(torch.randn(1, 10))
注意：
torch.nn只支持小批量(mini-batches)数据，也就是输入不能是单个样本，比如对于nn.Conv2d接收的输入是一个 4 维张量--nSamples * nChannels * Height * Width。
所以，如果你输入的是单个样本，需要采用input.unsqueeze(0)来扩充一个假的 batch 维度，即从 3 维变为 4 维。
3.2 损失函数
损失函数的输入是 (output, target) ，即网络输出和真实标签对的数据，然后返回一个数值表示网络输出和真实标签的差距。
PyTorch 中其实已经定义了不少的损失函数，这里仅采用简单的均方误差：nn.MSELoss ，例子如下：
output = net(input)# 定义伪标签target = torch.randn(10)# 调整大小，使得和 output 一样的 sizetarget = target.view(1, -1)criterion = nn.MSELoss()loss = criterion(output, target)print(loss)
输出如下：
tensor(0.6524, grad_fn=<MseLossBackward>)
这里，整个网络的数据输入到输出经历的计算图如下所示，其实也就是数据从输入层到输出层，计算 loss 的过程。
input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d-> view -> linear -> relu -> linear -> relu -> linear-> MSELoss-> loss
如果调用 loss.backward() ，那么整个图都是可微分的，也就是说包括 loss ，图中的所有张量变量，只要其属性 requires_grad=True ，那么其梯度 .grad张量都会随着梯度一直累计。
用代码来说明：
# MSELossprint(loss.grad_fn)# Linear layerprint(loss.grad_fn.next_functions[0][0])# Reluprint(loss.grad_fn.next_functions[0][0].next_functions[0][0])
输出：
3.3 反向传播
反向传播的实现只需要调用 loss.backward() 即可，当然首先需要清空当前梯度缓存，即.zero_grad() 方法，否则之前的梯度会累加到当前的梯度，这样会影响权值参数的更新。
下面是一个简单的例子，以 conv1 层的偏置参数 bias 在反向传播前后的结果为例：
# 清空所有参数的梯度缓存net.zero_grad()print('conv1.bias.grad before backward')print(net.conv1.bias.grad)loss.backward()print('conv1.bias.grad after backward')print(net.conv1.bias.grad)
输出结果：
conv1.bias.grad before backwardtensor([0., 0., 0., 0., 0., 0.])conv1.bias.grad after backwardtensor([ 0.0069, 0.0021, 0.0090, -0.0060, -0.0008, -0.0073])
了解更多有关 torch.nn 库，可以查看官方文档：
https://pytorch.org/docs/stable/nn.html
3.4 更新权重
采用随机梯度下降(Stochastic Gradient Descent, SGD)方法的最简单的更新权重规则如下：
weight = weight \- learning_rate * gradient
按照这个规则，代码实现如下所示：
# 简单实现权重的更新例子learning_rate = 0.01for f in net.parameters():f.data.sub_(f.grad.data * learning_rate)
但是这只是最简单的规则，深度学习有很多的优化算法，不仅仅是SGD，还有Nesterov-SGD, Adam, RMSProp等等，为了采用这些不同的方法，这里采用torch.optim库，使用例子如下所示：
import torch.optim as optim# 创建优化器optimizer = optim.SGD(net.parameters(), lr=0.01)# 在训练过程中执行下列操作optimizer.zero_grad() # 清空梯度缓存output = net(input)loss = criterion(output, target)loss.backward()# 更新权重optimizer.step()
注意，同样需要调用 optimizer.zero_grad() 方法清空梯度缓存。
本小节教程：
https://pytorch.org/tutorials/beginner/blitz/neural_networks_tutorial.html
本小节的代码：
https://github.com/ccc013/DeepLearning_Notes/blob/master/Pytorch/practise/neural_network.ipynb
4. 训练分类器
上一节介绍了如何构建神经网络、计算 loss 和更新网络的权值参数，接下来需要做的就是实现一个图片分类器。
4.1 训练数据
在训练分类器前，当然需要考虑数据的问题。通常在处理如图片、文本、语音或者视频数据的时候，一般都采用标准的 Python 库将其加载并转成 Numpy 数组，然后再转回为 PyTorch 的张量。
对于图像，可以采用 Pillow, OpenCV库；对于语音，有 scipy和librosa;对于文本，可以选择原生 Python 或者 Cython 进行加载数据，或者使用 NLTK和SpaCy。
PyTorch 对于计算机视觉，特别创建了一个 torchvision 的库，它包含一个数据加载器(data loader)，可以加载比较常见的数据集，比如 Imagenet, CIFAR10, MNIST 等等，然后还有一个用于图像的数据转换器(data transformers)，调用的库是 torchvision.datasets 和 torch.utils.data.DataLoader 。
在本教程中，将采用 CIFAR10 数据集，它包含 10 个类别，分别是飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船和卡车。数据集中的图片都是 3x32x32。一些例子如下所示：
4.2 训练图片分类器
训练流程如下：
通过调用 torchvision加载和归一化CIFAR10训练集和测试集；构建一个卷积神经网络； 定义一个损失函数； 在训练集上训练网络； 在测试集上测试网络性能。
4.2.1 加载和归一化 CIFAR10
首先导入必须的包：
import torchimport torchvisionimport torchvision.transforms as transforms
torchvision 的数据集输出的图片都是 PILImage ，即取值范围是 [0, 1] ，这里需要做一个转换，变成取值范围是 [-1, 1] , 代码如下所示：
# 将图片数据从 [0,1] 归一化为 [-1, 1] 的取值范围transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])trainset = torchvision.datasets.CIFAR10(root='./data', train=True,download=True, transform=transform)trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,shuffle=True, num_workers=2)testset = torchvision.datasets.CIFAR10(root='./data', train=False,download=True, transform=transform)testloader = torch.utils.data.DataLoader(testset, batch_size=4,shuffle=False, num_workers=2)classes = ('plane', 'car', 'bird', 'cat','deer', 'dog', 'frog', 'horse', 'ship', 'truck')
这里下载好数据后，可以可视化部分训练图片，代码如下：
import matplotlib.pyplot as pltimport numpy as np# 展示图片的函数def imshow(img):img = img / 2 + 0.5 # 非归一化npimg = img.numpy()plt.imshow(np.transpose(npimg, (1, 2, 0)))plt.show()# 随机获取训练集图片dataiter = iter(trainloader)images, labels = dataiter.next()# 展示图片imshow(torchvision.utils.make_grid(images))# 打印图片类别标签print(' '.join('%5s' % classes[labels[j]] for j in range(4)))
展示图片如下所示：
其类别标签为：
frog plane dog ship
4.2.2 构建一个卷积神经网络
这部分内容其实直接采用上一节定义的网络即可，除了修改 conv1 的输入通道，从 1 变为 3，因为这次接收的是 3 通道的彩色图片。
import torch.nn as nnimport torch.nn.functional as Fclass Net(nn.Module):def __init__(self):super(Net, self).__init__()self.conv1 = nn.Conv2d(3, 6, 5)self.pool = nn.MaxPool2d(2, 2)self.conv2 = nn.Conv2d(6, 16, 5)self.fc1 = nn.Linear(16 * 5 * 5, 120)self.fc2 = nn.Linear(120, 84)self.fc3 = nn.Linear(84, 10)def forward(self, x):x = self.pool(F.relu(self.conv1(x)))x = self.pool(F.relu(self.conv2(x)))x = x.view(-1, 16 * 5 * 5)x = F.relu(self.fc1(x))x = F.relu(self.fc2(x))x = self.fc3(x)return xnet = Net()
4.2.3 定义损失函数和优化器
这里采用类别交叉熵函数和带有动量的 SGD 优化方法：
import torch.optim as optimcriterion = nn.CrossEntropyLoss()optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
4.2.4 训练网络
第四步自然就是开始训练网络，指定需要迭代的 epoch，然后输入数据，指定次数打印当前网络的信息，比如 loss 或者准确率等性能评价标准。
import timestart = time.time()for epoch in range(2):running_loss = 0.0for i, data in enumerate(trainloader, 0):# 获取输入数据inputs, labels = data# 清空梯度缓存optimizer.zero_grad()outputs = net(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()# 打印统计信息running_loss += loss.item()if i % 2000 == 1999:# 每 2000 次迭代打印一次信息print('[%d, %5d] loss: %.3f' % (epoch + 1, i+1, running_loss / 2000))running_loss = 0.0print('Finished Training! Total cost time: ', time.time()-start)
这里定义训练总共 2 个 epoch，训练信息如下，大概耗时为 77s。
[1, 2000] loss: 2.226[1, 4000] loss: 1.897[1, 6000] loss: 1.725[1, 8000] loss: 1.617[1, 10000] loss: 1.524[1, 12000] loss: 1.489[2, 2000] loss: 1.407[2, 4000] loss: 1.376[2, 6000] loss: 1.354[2, 8000] loss: 1.347[2, 10000] loss: 1.324[2, 12000] loss: 1.311Finished Training! Total cost time: 77.24696755409241
4.2.5 测试模型性能
训练好一个网络模型后，就需要用测试集进行测试，检验网络模型的泛化能力。对于图像分类任务来说，一般就是用准确率作为评价标准。
首先，我们先用一个 batch 的图片进行小小测试，这里 batch=4 ，也就是 4 张图片，代码如下：
dataiter = iter(testloader)images, labels = dataiter.next()# 打印图片imshow(torchvision.utils.make_grid(images))print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))
图片和标签分别如下所示：
GroundTruth: cat ship ship plane
然后用这四张图片输入网络，看看网络的预测结果：
# 网络输出outputs = net(images)# 预测结果_, predicted = torch.max(outputs, 1)print('Predicted: ', ' '.join('%5s' % classes[predicted[j]] for j in range(4)))
输出为：
Predicted: cat ship ship ship
前面三张图片都预测正确了，第四张图片错误预测飞机为船。
接着，让我们看看在整个测试集上的准确率可以达到多少吧！
correct = 0total = 0with torch.no_grad():for data in testloader:labels = dataoutputs = net(images)predicted = torch.max(outputs.data, 1)total += labels.size(0)correct += (predicted == labels).sum().item(): %d %%' % (100 * correct / total))
输出结果如下
Accuracy of the network on the 10000 test images: 55 %
这里可能准确率并不一定一样，教程中的结果是 51% ，因为权重初始化问题，可能多少有些浮动，相比随机猜测 10 个类别的准确率(即 10%)，这个结果是不错的，当然实际上是非常不好，不过我们仅仅采用 5 层网络，而且仅仅作为教程的一个示例代码。
然后，还可以再进一步，查看每个类别的分类准确率，跟上述代码有所不同的是，计算准确率部分是 c = (predicted == labels).squeeze()，这段代码其实会根据预测和真实标签是否相等，输出 1 或者 0，表示真或者假，因此在计算当前类别正确预测数量时候直接相加，预测正确自然就是加 1，错误就是加 0，也就是没有变化。
class_correct = list(0. for i in range(10))class_total = list(0. for i in range(10))with torch.no_grad():for data in testloader:images, labels = dataoutputs = net(images)_, predicted = torch.max(outputs, 1)c = (predicted == labels).squeeze()for i in range(4):label = labels[i]class_correct[label] += c[i].item()class_total[label] += 1for i in range(10):print('Accuracy of %5s : %2d %%' % (classes[i], 100 * class_correct[i] / class_total[i]))
输出结果，可以看到猫、鸟、鹿是错误率前三，即预测最不准确的三个类别，反倒是船和卡车最准确。
Accuracy of plane : 58 %Accuracy of car : 59 %Accuracy of bird : 40 %Accuracy of cat : 33 %Accuracy of deer : 39 %Accuracy of dog : 60 %Accuracy of frog : 54 %Accuracy of horse : 66 %Accuracy of ship : 70 %Accuracy of truck : 72 %
4.3 在 GPU 上训练
深度学习自然需要 GPU 来加快训练速度的。所以接下来介绍如果是在 GPU 上训练，应该如何实现。
首先，需要检查是否有可用的 GPU 来训练，代码如下：
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")print(device)
输出结果如下，这表明你的第一块 GPU 显卡或者唯一的 GPU 显卡是空闲可用状态，否则会打印 cpu 。
cuda:0
既然有可用的 GPU ，接下来就是在 GPU 上进行训练了，其中需要修改的代码如下，分别是需要将网络参数和数据都转移到 GPU 上：
net.to(device)inputs, labels = inputs.to(device), labels.to(device)
修改后的训练部分代码：
import time# 在 GPU 上训练注意需要将网络和数据放到 GPU 上net.to(device)criterion = nn.CrossEntropyLoss()optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)start = time.time()for epoch in range(2):running_loss = 0.0for i, data in enumerate(trainloader, 0):# 获取输入数据labels = datalabels = inputs.to(device), labels.to(device)# 清空梯度缓存optimizer.zero_grad()outputs = net(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()# 打印统计信息running_loss += loss.item()if i % 2000 == 1999:# 每 2000 次迭代打印一次信息%5d] loss: %.3f' % (epoch + 1, i+1, running_loss / 2000))running_loss = 0.0Training! Total cost time: ', time.time() - start)
注意，这里调用 net.to(device) 后，需要定义下优化器，即传入的是 CUDA 张量的网络参数。训练结果和之前的类似，而且其实因为这个网络非常小，转移到 GPU 上并不会有多大的速度提升，而且我的训练结果看来反而变慢了，也可能是因为我的笔记本的 GPU 显卡问题。
如果需要进一步提升速度，可以考虑采用多 GPUs，也就是下一节的内容。
本小节教程：
https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html
本小节的代码：
https://github.com/ccc013/DeepLearning_Notes/blob/master/Pytorch/practise/train_classifier_example.ipynb
5. 数据并行
这部分教程将学习如何使用 DataParallel 来使用多个 GPUs 训练网络。
首先，在 GPU 上训练模型的做法很简单，如下代码所示，定义一个 device 对象，然后用 .to() 方法将网络模型参数放到指定的 GPU 上。
device = torch.device("cuda:0")model.to(device)
接着就是将所有的张量变量放到 GPU 上：
mytensor = my_tensor.to(device)注意，这里 my_tensor.to(device) 是返回一个 my_tensor 的新的拷贝对象，而不是直接修改 my_tensor 变量，因此你需要将其赋值给一个新的张量，然后使用这个张量。
Pytorch 默认只会采用一个 GPU，因此需要使用多个 GPU，需要采用 DataParallel ，代码如下所示：
model = nn.DataParallel(model)这代码也就是本节教程的关键，接下来会继续详细介绍。
5.1 导入和参数
首先导入必须的库以及定义一些参数：
import torchimport torch.nn as nnfrom torch.utils.data import Dataset, DataLoader# Parameters and DataLoadersinput_size = 5output_size = 2batch_size = 30data_size = 100device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
这里主要定义网络输入大小和输出大小，batch 以及图片的大小，并定义了一个 device 对象。
5.2 构建一个假数据集
接着就是构建一个假的(随机)数据集。实现代码如下：
class RandomDataset(Dataset):def __init__(self, size, length):self.len = lengthself.data = torch.randn(length, size)def __getitem__(self, index):return self.data[index]def __len__(self):return self.lenrand_loader = DataLoader(dataset=RandomDataset(input_size, data_size),batch_size=batch_size, shuffle=True)
5.3 简单的模型
接下来构建一个简单的网络模型，仅仅包含一层全连接层的神经网络，加入 print() 函数用于监控网络输入和输出 tensors 的大小：
class Model(nn.Module):# Our modeldef __init__(self, input_size, output_size):super(Model, self).__init__()self.fc = nn.Linear(input_size, output_size)def forward(self, input):output = self.fc(input)print("\tIn Model: input size", input.size(),"output size", output.size())return output
5.4 创建模型和数据平行
这是本节的核心部分。首先需要定义一个模型实例，并且检查是否拥有多个 GPUs，如果是就可以将模型包裹在 nn.DataParallel ，并调用 model.to(device) 。代码如下：
model = Model(input_size, output_size)if torch.cuda.device_count() > 1:print("Let's use", torch.cuda.device_count(), "GPUs!")# dim = 0 [30, xxx] -> [10, ...], [10, ...], [10, ...] on 3 GPUsmodel = nn.DataParallel(model)model.to(device)
5.5 运行模型
接着就可以运行模型，看看打印的信息：
for data in rand_loader:input = data.to(device)output = model(input)print("Outside: input size", input.size(),"output_size", output.size())
输出如下：
In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2])In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2])Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])
5.6 运行结果
如果仅仅只有 1 个或者没有 GPU ，那么 batch=30 的时候，模型会得到输入输出的大小都是 30。但如果有多个 GPUs，那么结果如下：
2 GPUs
# on 2 GPUsLet's use 2 GPUs!In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2])In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2])Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])
3 GPUs
Let's use 3 GPUs!In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])
8 GPUs
Let's use 8 GPUs!In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])
5.7 总结
DataParallel 会自动分割数据集并发送任务给多个 GPUs 上的多个模型。然后等待每个模型都完成各自的工作后，它又会收集并融合结果，然后返回。
更详细的数据并行教程：
https://pytorch.org/tutorials/beginner/former_torchies/parallelism_tutorial.html
本小节教程：
https://pytorch.org/tutorials/beginner/blitz/data_parallel_tutorial.html
小结
教程从最基础的张量开始介绍，然后介绍了非常重要的自动求梯度的 autograd ，接着介绍如何构建一个神经网络，如何训练图像分类器，最后简单介绍使用多 GPUs 加快训练速度的方法。
快速入门教程就介绍完了，接下来你可以选择：
训练一个神经网络来玩视频游戏 在 imagenet 上训练 ResNet 采用 GAN 训练一个人脸生成器 采用循环 LSTM 网络训练一个词语级别的语言模型 更多的例子 更多的教程 在 Forums 社区讨论 PyTorch
2020-5-23 更新：
最后，看到评论区有人说文章标题的问题，其实文章标题是直接翻译官方教程的标题--DEEP LEARNING WITH PYTORCH: A 60 MINUTE BLITZ，官方标题如果直译的话应该是一个 60 分钟的闪电战。
当然真正要能入门肯定需要不止一个 60 分钟，特别是对于没有深度学习基础的，可能需要先补充一些机器学习或者深度学习基础内容，所以我也更新一下，推荐我之前写的关于机器学习和深度学习的入门资料的文章，主要是这几个方面的介绍：
编程语言：实现机器学习，主要是介绍 Python 方面的语言； 书籍：看书通常是入门的一种方法，比较适合自律性强的同学； 视频：入门的第二种方法就是看视频，虽然会比看书慢一些，但是胜在详细，对完全零基础者是非常友好的； 教程：主要是一些教程文章； 博客网站：常去的网站，包括一些大神博客； Github 项目：Github 上的一些项目； 比赛：最好的学习方法还是通过项目实战来加深理解，机器学习还有很多公开的比赛； 论文：无论是学生还是工作，看论文都是为了紧跟大牛的步伐，了解研究领域最先进最好的算法。
鑫鑫淼淼焱焱：机器学习入门学习资料推荐
https://zhuanlan.zhihu.com/p/60877739
如果是想了解计算机视觉和进一步了解 PyTorch的教程，之前也有进行回答：
求推荐一些高质量的计算机视觉，pytorch教程？
https://www.zhihu.com/question/388079431/answer/1223220998
如果你看完本文还有其他问，欢迎留言告诉我。
推荐阅读
