pytorch基础
pytorch官方文档：https://pytorch.org/docs/master/nn.html#linear-layers
import torch
from torch import nn
1 tensor：张量，表示一个多维的矩阵。
b.numpy()能将b转换为numpy数据类型，同时使用torch.from_num py()将numpy转换为tensor。若将a的类型转换成float，a.float().
b.numpy():将b转换成numpy数据类型
torch.from_num py():把numpy转换成tensor
如果需要更改tensor的数据类型，只需要在转换后的tensor后面加上你需要的类型，eg：将a转换成float，
只需a.float（）
如果电脑支持GPU,可以将Tensor 放到GPU上
torch.cuda.is_available()判断一下是否支持GPU，
如果把tensor放到GPU上，只需a.cuda（）就把tensor a 放到GPU上
if torch.cuda.is_available():
a_cuda = a.cuda()
print(a_cuda)
2 torch.autograd.Variable(变量)：
Variable提供了自动求导的功能，在做运算的时候需要构造一个计算图谱，然后再里面进行前向传播和反向传播
Variable和Tensor本质上没有区别，不过Variable会被放入一个计算图中，然后进行前向传播，反向传播，自动求导
Variable是在torch.autograd.variable中，将一个tensor编程Variable，Variable（a），有三个重要的组成属性：data，grad，grad_fn。
data：取出Variable里面的tensor数值，
grad_fn：得到这个Variable的操作，比如通过加减还是乘除得到，
grad：Variable的反向传播梯度
例如：
x = Variable(torch.Tensor([1],requires_grad=True)
w = Variable(torch.Tensor([2],requires_grad=True)
b = Variable(torch.Tensor([3],requires_grad=True)
y = w*x +b
y.backward()自动求导
print(x.grad)x的梯度
3.
import torch
x = torch.rand(3)
"""
读取数据
torch.utils.data.DataLoader定义一个新的迭代器
dataiter = DataLoader(myDataset,batch_size = 32,shuffle = True,collate_fn = default_colllate)
collate_fn:如何取样本
读取图片：
ImageFolder：处理图片
dset = ImageFolder(root = 'root_path',transform = None,loader = default_loader)
root ：根目录，这个目录下有几个文件夹，每个文件夹表示一个类别：transform和target_transform是图片增强
loader是图片读取的办法，因为我们读取的是图片的名字，然后通过loader将图片转换成我们需要的图片类型
进入神经网络。
"""
"""
所有的层结构和损失函数都来自于torch.nn,所有的模型构建都是从这个基类nn.Module继承的
"""
# class net_name(nn.Module):
# def __init__(self,other_arguments):
# super(net_name,self).__init__()
# self.conv1 = nn.Conv2d(in_channels,out_channels,kernel_size)
# def forward(self,x):
# x = self.conv1(x)
# return x
"""
所有的网络层都是由nn这个包得到的，eg，nn.Linear
定义好模型之后，通过nn这个包定义损失函数
criterion =nn.CrossEntropyLoss()
loss = criterion(output,target)
"""
"""
4. torch.optim(优化)：
实现各种优化的包，
optimizer = torch.optim.SGD(model.parameters(),lr = 0.01,momentum = 0.9)
学习率是0.01，动量是0.9的随机梯度下降，在优化之前将梯度归零，optimizer.zeros(),通过loss.backward()反向传播，
自动求导得到每个参数的梯度，最后需要optimizer.step()就可以通过梯度做一步参数更新。
梯度：导数的多变量表达式，函数的梯度形成了一个向量场，同时也是一个方向，这个方向上导数最大，且等于梯度。
"""
5. 线性模型
一维线性回归：f(xi) = wxi+b
Loss = Σ(f(xi)-yi)2
例子：
一维线性回归
import numpy as np
import torch
from torch import nn
import matplotlib.pyplot as plt
# import torch.nn as nn
x_train = np.array([[3.3],[4.4],[5.5],[6.71],[6.93],[4.168],[9.779],[6.182],[7.59],[2.167],[7.042],[10.791],[5.313],[7.997],[3.1]],dtype = np.float32)
y_train = np.array([[1.7],[2.76],[2.09],[3.19],[1.694],[1.573],[3.366],[2.596],[2.53],[1.221],[2.827],[3.465],[1.65],[2.904],[1.3]],dtype = np.float32)
x_train = torch.from_numpy(x_train)
y_train = torch.from_numpy(y_train)
class LinearRegression(nn.Module):
def __init__(self):
super(LinearRegression,self).__init__()
self.linear = nn.Linear(1,1)#输出都是一维
def forward(self, x):
out = self.linear(x)
return out
if torch.cuda.is_available():
model = LinearRegression().cuda()#如果支持GPU加速，可以通过model.cuda()将模型放到GPU上
else:
model = LinearRegression()
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(),lr = 1e-3)
# 训练模型
num_epochs = 100
for epoch in range(num_epochs):
if torch.cuda.is_available():
inputs = torch.autograd.Variable(x_train).cuda()
target = torch.autograd.Variable(y_train).cuda()
else:
inputs = torch.autograd.Variable(x_train)#将数据变成Variable放入计算图
target = torch.autograd.Variable(y_train)
#前向传播
out = model(inputs) # 得到网络前向传播的结果
loss = criterion(out,target)# 得到损失函数
#backword
optimizer.zero_grad()#归零梯度，每次做反向传播之前都要归零梯度，不然梯度会累加在一起，造成结果不收敛
loss.backward()
optimizer.step()
if (epoch+1) % 20 == 0:#loss.data[0]:loss是一个Variable，通过loss.data可以取出一个Tensor，通过loss.data[0]得到一个int或者float类型的数据
# print(num_epochs)
print('epoch[{}/{}],loss:{:.6f}'.format(epoch+1,num_epochs,loss))
"""
#在训练完train样本后，生成模型model要用来测试样本，在model(test)之前，需要加上model.eval()，
否则的话，有输入数据，即使不训练，它也会改变权值。这是model中含有batch normalization层所带来的的性质。
"""
model.eval()
predict = model(torch.autograd.Variable(x_train))
predict = predict.data.numpy()
plt.plot(x_train.numpy(),y_train.numpy(),'ro',label = 'Original data')
plt.plot(x_train.numpy(),predict,label = 'Filtting Line')
plt.show()
print('finished')
