深入学习pytorch笔记

两个重要的函数

dir()：一个内置函数，用于列出对象的所有属性和方法
help()：一个内置函数，用于获取关于Python对象、模块、函数、类等的详细信息

Dateset类

Dataset：pytorch中的一个类，开发者在训练和测试时，用一个子类去继承Dataset类，继承和重写Dataset类中方法和属性，以加载数据集。

class Dataset(object):
    """An abstract class representing a Dataset.
    All other datasets should subclass it. All subclasses should override
    ``__len__``, that provides the size of the dataset, and ``__getitem__``,
    supporting integer indexing in range from 0 to len(self) exclusive.
    """
 
    def __getitem__(self, index):
        raise NotImplementedError
 
    def __len__(self):
        raise NotImplementedError
 
    def __add__(self, other):
        return ConcatDataset([self, other])

def getitem(self, index)：必须重写，用于以加载数据集。
def len(self)：可不重写，用于计算数据集中样本个数。

TensorBoard

TensorBoard 是pytorch中一组用于数据可视化的工具，包含在TensorFlow库。
SummaryWriter类：用于在给定目录中创建事件文件，在训练时，将数据添加到文件中，用于显示。使用SummaryWriter类创建对象时，若没有给出事件文件名，则默认的事件文件名为run。

损失函数

torch.nn.loss()：PyTorch 中的一个类，用于计算L1 损失函数，即计算了预测值与实际值之间的L1范数（即绝对差值）。
在创建torch.nn.L1Loss(reduction)对象时，可以传入一个可选的参数reduction，它决定了如何从每个样本的损失中聚合得到最终的损失。
1. reduction=‘mean’：计算所有样本损失的平均值作为最终损失。默认情况下，reduction参数的值为’mean’，即计算所有样本损失的平均值作为最终损失。
2. reduction=‘none’：不进行任何聚合操作，直接返回每个样本的损失。
3. reduction=‘sum’：计算所有样本损失的总和作为最终损失。
4. reduction= ‘mean_none’：计算所有样本损失的平均值，但是不除以样本数，即不进行归一化。
5. reduction=‘sum_none’：计算所有样本损失的总和，但是不乘以样本数，即不进行归一化。
在调用torch.nn.L1Loss()对象时，要传入预测值和实际值。
torch.nn.MSELoss()：PyTorch库中的一个类，用于计算均方误差。MSE损失函数的计算方式是：对于每个样本，计算预测值与真实值之间的平方差，然后取这些平方差的平均值。具体公式为：loss = 1/n Σ (y_pred - y_true)^2，其中n是样本数量。
torch.nn.CrossEntropyLoss：是PyTorch库中的一个类，用于计算交叉熵损失。
在创建对象时，torch.nn.CrossEntropyLoss()参数：
1. weight: 类别权重。这是一个一维的tensor，用于为每个类别指定不同的权重。默认值是None，这时所有的类别权重都相等。如果指定了类别权重，那么在计算损失时，每个类别的损失将会根据其对应的权重进行加权平均。
2. reduction: 损失的归约方式。这个参数决定了如何将交叉熵损失的值从样本级别降低到批次级别。可能的值有：‘none’（不进行归约，返回每个样本的交叉熵损失），‘mean’（对所有样本的交叉熵损失取平均），‘sum’（将所有样本的交叉熵损失相加）。默认值是’mean’。
3. ignore_index: 被忽略的类别索引。如果设置了该参数，那么在计算交叉熵损失时，该类别对应的损失将被忽略。这个参数主要用于处理数据集中的无效类别或不需要分类的类别。默认值是-100。
在调用torch.nn.CrossEntropyLoss的对象时，需要传入两个参数：
1. input：这是一个一维或二维张量，表示模型的输出。对于每个输入样本，输出应该是一个长度为类别数量的向量，每个元素表示该类别与输入样本的相似度。
2. target：这是一个一维张量，表示每个输入样本的正确类别标签。

优化器（参数更新）

torch.optim.SGD：PyTorch 中的一个类，它实现了随机梯度下降（Stochastic Gradient Descent）算法。
创建类对象时，torch.optim.SGD(params，lr，momentum，dampening，weight_decay，nesterov)的参数：
1. params：要优化的参数，通常是模型中的参数。
2. lr：学习率。控制参数更新的步长。默认值是0.01。
3. momentum：动量。这个参数会考虑之前梯度的方向，使得优化器具有一定的"惯性"，有助于加速训练。默认值是0。
4. dampening：阻尼。这个参数可以防止动量过大导致震荡。默认值是0。
5. weight_decay：权重衰减。可以防止过拟合，通过对参数本身进行惩罚来控制模型的复杂度。默认值是0，表示不进行权重衰减。
6. nesterov：是否使用 Nesterov 动量。如果为 True，会使用 Nesterov 动量，否则使用标准 momentum。默认值是False
创建优化器后，我们可以通过调用 optimizer.zero_grad() 清除之前的梯度，然后通过反向传播计算新的梯度，最后使用 optimizer.step() 更新模型的参数。


import torch
from torch import nn
from torch.nn import Sequential,Conv2d,MaxPool2d,Flatten
from torch.nn import Linear
from torch.utils.tensorboard import SummaryWriter
import torchvision
import torchvision.transforms
from torch.utils.data import DataLoader

dataset = torchvision.datasets.CIFAR10("./dataset",train=False,transform=torchvision.transforms.ToTensor(),
                                       download=True)
dataloader = DataLoader(dataset, batch_size=64)


class MY_Dodule(nn.Module):
    def __init__(self):
        super(MY_Dodule,self).__init__()
        self.model = Sequential(
            Conv2d(3, 32, kernel_size=5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, kernel_size=5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, kernel_size=5, padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024,64),
            Linear(64,10)
        )

    def forward(self,input):
        output = self.model(input)
        return output


my_module = MY_Dodule()
loss = nn.CrossEntropyLoss()
optim = torch.optim.SGD(my_module.parameters(),lr=0.1)
for epoch in range(20):
    running_loss = 0.0
    for data in dataloader:
        images,targets = data
        input = images
        output = my_module(input)  # 前向转播
        result_loss = loss(output,targets)  # 计算损失
        optim.zero_grad()  # 清除之前的梯度
        result_loss.backward() # 反向转播
        optim.step() #梯度更新
        running_loss += result_loss
        pass
    print(running_loss)
    pass

网络模型的使用和修改

torchvision.models.vgg16(pretrained，progress)：PyTorch 中的一个类，是用来加载预训练的 VGG-16 模型的函数。
1. pretrained：布尔型，决定是否从 PyTorch 的预训练模型库中加载训练好的权重。如果设为 True，则返回的模型会包含在大规模图像分类任务上训练得到的权重。如果设为 False，则模型不包含预训练的权重，你需要自己训练模型。默认为False。
2. progress：布尔型，决定是否显示下载预训练模型过程的进度条。如果设为 True，则在下载预训练模型时会显示进度条。默认为True。
在 VGG-16 模型中添加层：model是torchvision.models.vgg16()示例化对象，model.classifier.add_module(str，nn.Module)这个函数接受两个参数。
1. 模块名称（str）：这是你想要添加的模块的名称。你可以自己定义一个有意义的名称，以便在后续的代码中引用这个模块。
2. 模块对象（nn.Module）：这是你想要添加的模块本身。这个模块可以是任何PyTorch定义的神经网络层或者你自己定义的层。
在 VGG-16 模型中修改层：model是torchvision.models.vgg16()示例化对象，model.classifier[n] = nn.Module
1. n：VGG-16 模型中修改层的层号
2. nn.Module：修改后的模块本身。这个模块可以是任何PyTorch定义的神经网络层或者你自己定义的层。

网络模型的保存与读取

torch.save(model, ‘model.pth’)：PyTorch 中的一个函数，模型model的权重和参数，保存在指定文件model.pth中。
model = torch.load(‘model.pth’)：PyTorch 中的一个函数，根据model.pth文件，加载保存的模型并返回给变量 model
torch.save(model.state_dict(), ‘model.pth’)：将模型model参数（权重和偏置等，不包括模型的结构），以字典的形式保存到指定的文件 ‘model.pth’ 中。
model.load_state_dict(torch.load(‘model.pth’))：torch.load()函数读取文件中模型的参数信息，加载到model模型中。请注意，这种方式要求你在加载模型时已经知道模型model的结构。

模型训练流程（以CIFAR10为例）

第一步：准备数据集，包括训练集和测试集

import torchvision

# 准备训练集
train_data = torchvision.datasets.CIFAR10("dataset",train=True,transform=torchvision.transforms.ToTensor(),
                                          download=True)

# 准备测试集
test_data = torchvision.datasets.CIFAR10("dataset",train=False,transform=torchvision.transforms.ToTensor(),
                                          download=True)

第二步：计算数据长度

# 计算数据集长度
train_data_size = len(train_data)
test_data_size = len(test_data)
print("训练数据集的长度：{}".format(train_data_size))
print("测试数据集的长度：{}".format(test_data_size))

第三步：用dataloader()加载数据集，将数据集划分为批量子集

# dataloader()加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

第四步：搭建神经网络，一般用一个单独python文件保存

import torch
from torch import nn

class My_Module(nn.Module):
    def __init__(self):
        super(My_Module,self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3, 32, kernel_size=5, stride=1, padding=2),
            nn.MaxPool2d(2),
            nn.Conv2d(32 ,32, kernel_size=5, stride=1, padding=2),
            nn.MaxPool2d(2),
            nn.Conv2d(32,64,5,1,2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(64*4*4,64),
            nn.Linear(64,10),

        )

    def forward(self,input):
        output = self.model(input)
        return output


if __name__ == '__main__':
    my_module = My_Module()
    input = torch.ones((64, 3, 32, 32))
    output = my_module(input)
    print(output.shape)

第五步：创建网络模型

# 创建网络模型
my_module = My_Module()

第六步：定义损失函数

loss_f = nn.CrossEntropyLoss()

第七步：定义优化器，进行梯度下降

# 定义优化器，进行梯度下降
learning_rate = 0.01  # 学习效率
optimizer = torch.optim.SGD(my_module, lr=learning_rate)

第八步：设置训练网络模型的一些参数

# 设置训练网络模型的一些参数
total_train_step = 0  # 记录训练次数
total_test_step = 0  # 记录测试次数
epoch = 10 # 训练的轮次
writer = SummaryWriter("P27")  # 添加tensorboard

第九步：训练网络模型

# 训练网络模型
for i in range(epoch):
    print("------第{}轮训练开始------".format(i + 1))

    for data in train_dataloader:
        images ,targets = data
        input = images
        output = my_module(input)  # 前向传播
        loss = loss_f(output, targets)  # 计算损失
        loss.backward()  # 反向转播
        optimizer.zero_grad()  #
        optimizer.step() # 梯度下降

        total_train_step = total_train_step + 1
        print("训练次数：{}，loss：{}".format(total_train_step, loss.item()))