　　本来是只用Tenorflow的，但是因为TF有些Numpy特性并不支持，比如对数组使用列表进行切片，所以只能转战Pytorch了（pytorch是支持的）。还好Pytorch比较容易上手，几乎完美复制了Numpy的特性（但还有一些特性不支持），怪不得热度上升得这么快。

模型定义

　　和TF很像，Pytorch也通过继承父类来搭建模型，同样也是实现两个方法。在TF中是__init__()和call()，在Pytorch中则是__init__()和forward()。功能类似，都分别是初始化模型内部结构和进行推理。其它功能比如计算loss和训练函数，你也可以继承在里面，当然这是可选的。下面搭建一个判别MNIST手写字的Demo，首先给出模型代码：

import numpy as np
import matplotlib.pyplot as plt
import torch
from torch import nn,optim
from torchsummary import summary
from keras.datasets import mnist
from keras.utils import to_categorical
device = torch.device('cuda')  #——————1——————

class ModelTest(nn.Module):
  def __init__(self,device):
    super().__init__()
    self.layer1 = nn.Sequential(nn.Flatten(),nn.Linear(28*28,512),nn.ReLU())#——————2——————
    self.layer2 = nn.Sequential(nn.Linear(512,512),nn.ReLU())
    self.layer3 = nn.Sequential(nn.Linear(512,512),nn.ReLU())
    self.layer4 = nn.Sequential(nn.Linear(512,10),nn.Softmax())

    self.to(device) #——————3——————
    self.opt = optim.SGD(self.parameters(),lr=0.01)#——————4——————
  def forward(self,inputs): #——————5——————
    x = self.layer1(inputs)
    x = self.layer2(x)
    x = self.layer3(x)
    x = self.layer4(x)
    return x
  def get_loss(self,true_labels,predicts):
    loss = -true_labels * torch.log(predicts)  #——————6——————
    loss = torch.mean(loss)
    return loss
  def train(self,imgs,labels):
    predicts = model(imgs)
    loss = self.get_loss(labels,predicts)
    self.opt.zero_grad()#——————7——————
    loss.backward()#——————8——————
    self.opt.step()#——————9——————
model = ModelTest(device)
summary(model,(1,28,28),3,device='cuda')  #——————10——————

　　#1：获取设备，以方便后面的模型与变量进行内存迁移，设备名只有两种：'cuda'和'cpu'。通常是在你有GPU的情况下需要这样显式进行设备的设置，从而在需要时，你可以将变量从主存迁移到显存中。如果没有GPU，不获取也没事，pytorch会默认将参数都保存在主存中。

　　#2：模型中层的定义，可以使用Sequential将想要统一管理的层集中表示为一层。

　　#3：在初始化中将模型参数迁移到GPU显存中，加速运算，当然你也可以在需要时在外部执行model.to(device)进行迁移。

　　#4：定义模型的优化器，和TF不同，pytorch需要在定义时就将需要梯度下降的参数传入，也就是其中的self.parameters()，表示当前模型的所有参数。实际上你不用担心定义优化器和模型参数的顺序问题，因为self.parameters()的输出并不是模型参数的实例，而是整个模型参数对象的指针，所以即使你在定义优化器之后又定义了一个层，它依然能优化到。当然优化器你也可以在外部定义，传入model.parameters()即可。这里定义了一个随机梯度下降。

　　#5：模型的前向传播，和TF的call()类似，定义好model()所执行的就是这个函数。

　　#6：我将获取loss的函数集成在了模型中，这里计算的是真实标签和预测标签之间的交叉熵。

　　#7/8/9：在TF中，参数梯度是保存在梯度带中的，而在pytorch中，参数梯度是各自集成在对应的参数中的，可以使用tensor.grad来查看。每次对loss执行backward()，pytorch都会将参与loss计算的所有可训练参数关于loss的梯度叠加进去（直接相加）。所以如果我们没有叠加梯度的意愿的话，那就要在backward()之前先把之前的梯度删除。又因为我们前面已经把待训练的参数都传入了优化器，所以，对优化器使用zero_grad()，就能把所有待训练参数中已存在的梯度都清零。那么梯度叠加什么时候用到呢？比如批量梯度下降，当内存不够直接计算整个批量的梯度时，我们只能将批量分成一部分一部分来计算，每算一个部分得到loss就backward()一次，从而得到整个批量的梯度。梯度计算好后，再执行优化器的step()，优化器根据可训练参数的梯度对其执行一步优化。

　　#10：使用torchsummary函数显示模型结构。奇怪为什么不把这个继承在torch里面，要重新安装一个torchsummary库。

训练及可视化

　　接下来使用模型进行训练，因为pytorch自带的MNIST数据集并不好用，所以我使用的是Keras自带的，定义了一个获取数据的生成器。下面是完整的训练及绘图代码（50次迭代记录一次准确率）：

import numpy as np
import matplotlib.pyplot as plt
import torch
from torch import nn,optim
from torchsummary import summary
from keras.datasets import mnist
from keras.utils import to_categorical
device = torch.device('cuda')  #——————1——————

class ModelTest(nn.Module):
  def __init__(self,device):
    super().__init__()
    self.layer1 = nn.Sequential(nn.Flatten(),nn.Linear(28*28,512),nn.ReLU())#——————2——————
    self.layer2 = nn.Sequential(nn.Linear(512,512),nn.ReLU())
    self.layer3 = nn.Sequential(nn.Linear(512,512),nn.ReLU())
    self.layer4 = nn.Sequential(nn.Linear(512,10),nn.Softmax())

    self.to(device) #——————3——————
    self.opt = optim.SGD(self.parameters(),lr=0.01)#——————4——————
  def forward(self,inputs): #——————5——————
    x = self.layer1(inputs)
    x = self.layer2(x)
    x = self.layer3(x)
    x = self.layer4(x)
    return x
  def get_loss(self,true_labels,predicts):
    loss = -true_labels * torch.log(predicts)  #——————6——————
    loss = torch.mean(loss)
    return loss
  def train(self,imgs,labels):
    predicts = model(imgs)
    loss = self.get_loss(labels,predicts)
    self.opt.zero_grad()#——————7——————
    loss.backward()#——————8——————
    self.opt.step()#——————9——————
def get_data(device,is_train = True, batch = 1024, num = 10000):
  train_data,test_data = mnist.load_data()
  if is_train:
    imgs,labels = train_data
  else:
    imgs,labels = test_data
  imgs = (imgs/255*2-1)[:,np.newaxis,...]
  labels = to_categorical(labels,10)
  imgs = torch.tensor(imgs,dtype=torch.float32).to(device)
  labels = torch.tensor(labels,dtype=torch.float32).to(device)
  i = 0
  while(True):
    i += batch
    if i > num:
      i = batch
    yield imgs[i-batch:i],labels[i-batch:i]
train_dg = get_data(device, True,batch=4096,num=60000)
test_dg = get_data(device, False,batch=5000,num=10000)

model = ModelTest(device)
summary(model,(1,28,28),11,device='cuda')
ACCs = []
import time
start = time.time()
for j in range(20000):
  #训练
  imgs,labels = next(train_dg)
  model.train(imgs,labels)

  #验证
  img,label = next(test_dg)
  predicts = model(img)
  acc = 1 - torch.count_nonzero(torch.argmax(predicts,axis=1) - torch.argmax(label,axis=1))/label.shape[0]
  if j % 50 == 0:
    t = time.time() - start
    start = time.time()
    ACCs.append(acc.cpu().numpy())
    print(j,t,'ACC: ',acc)
#绘图
x = np.linspace(0,len(ACCs),len(ACCs))
plt.plot(x,ACCs)

　　准确率变化图如下：

使用Pytorch搭建模型-LMLPHP

注意事项

　　需要注意的是，pytorch的tensor基于numpy的array，它们是共享内存的。也就是说，如果你把tensor直接插入一个列表，当你修改这个tensor时，列表中的这个tensor也会被修改；更容易被忽略的是，即使你用tensor.detach.numpy()，先将tensor转换为array类型，再插入列表，当你修改原本的tensor时，列表中的这个array也依然会被修改。所以如果我们只是想保存tensor的值而不是整个对象，就要使用np.array(tensor)将tensor的值复制出来。

颀周

使用Pytorch搭建模型

模型定义

训练及可视化

注意事项