PyTorch深度学习实战教程

PyTorch_Tutorial

PyTorch深度学习实战教程

PyTorch是当前最流行的深度学习框架之一,以其动态计算图和易用性而备受欢迎。本教程将全面介绍PyTorch的使用,从基础概念到高级应用,帮助读者快速掌握PyTorch进行深度学习模型的开发与训练。

1. PyTorch基础

PyTorch的核心是张量(Tensor)运算。张量是一个多维数组,可以进行各种数学运算。以下是PyTorch中创建和操作张量的基本示例:

import torch

# 创建张量
x = torch.tensor([[1, 2], [3, 4]])
y = torch.randn(2, 2)

# 张量运算
z = x + y
w = torch.matmul(x, y)

print(z)
print(w)

PyTorch的另一个关键特性是自动微分。通过torch.autograd模块,PyTorch可以自动计算梯度,极大地简化了深度学习模型的训练过程。

2. 构建神经网络

使用PyTorch构建神经网络非常直观。以下是一个简单的全连接神经网络示例:

import torch.nn as nn

class SimpleNet(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 10)
        self.relu = nn.ReLU()
    
    def forward(self, x):
        x = self.relu(self.fc1(x))
        x = self.fc2(x)
        return x

model = SimpleNet()

3. 数据加载与预处理

PyTorch提供了Dataset和DataLoader类来简化数据处理流程。以MNIST数据集为例:

from torchvision import datasets, transforms
from torch.utils.data import DataLoader

transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])

train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)

4. 模型训练

PyTorch的训练循环通常包括前向传播、损失计算、反向传播和参数更新这几个步骤:

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

for epoch in range(10):
    for batch_idx, (data, target) in enumerate(train_loader):
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()

5. 模型评估与保存

训练完成后,我们需要评估模型性能并保存模型:

model.eval()
correct = 0
total = 0
with torch.no_grad():
    for data, target in test_loader:
        output = model(data)
        _, predicted = torch.max(output.data, 1)
        total += target.size(0)
        correct += (predicted == target).sum().item()

print(f'Accuracy: {100 * correct / total}%')

# 保存模型
torch.save(model.state_dict(), 'model.pth')