备注

点击这里下载完整示例代码

学习基础知识 || 快速入门 || 张量 || 数据集和数据加载器 || 数据转换 || 构建模型 || 自动微分 || 优化 || 保存和加载模型

快速入门¶

Created On: Feb 09, 2021 | Last Updated: Jan 24, 2025 | Last Verified: Not Verified

本节涵盖了机器学习中的常见任务的 API。请参考各节中的链接以深入了解。

处理数据¶

PyTorch 有两个`处理数据的基础组件 <https://pytorch.org/docs/stable/data.html>`_：torch.utils.data.DataLoader 和 torch.utils.data.Dataset。Dataset 存储样本及其对应标签，DataLoader 为``Dataset``封装一个可迭代对象。

import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor

PyTorch 提供了领域特定的库，如 TorchText、TorchVision 和 TorchAudio，它们都包含数据集。在本教程中，我们将使用 TorchVision 数据集。

torchvision.datasets``模块包含了许多真实世界视觉数据的``Dataset``对象，例如 CIFAR, COCO（`完整列表 <https://pytorch.org/vision/stable/datasets.html>`_）。在本教程中，我们使用 FashionMNIST 数据集。每个 TorchVision ``Dataset 都包含两个参数：transform 和 target_transform 分别用于修改样本和标签。

# Download training data from open datasets.
training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor(),
)

# Download test data from open datasets.
test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor(),
)

我们将``Dataset``作为参数传递给``DataLoader``。它为我们的数据集封装了一个可迭代对象，并支持自动批处理、采样、洗牌和多进程数据加载。在这里我们定义了批次大小为 64，即 dataloader 可迭代对象中的每个元素将返回一批 64 个特征和标签。

batch_size = 64

# Create data loaders.
train_dataloader = DataLoader(training_data, batch_size=batch_size)
test_dataloader = DataLoader(test_data, batch_size=batch_size)

for X, y in test_dataloader:
    print(f"Shape of X [N, C, H, W]: {X.shape}")
    print(f"Shape of y: {y.shape} {y.dtype}")
    break

Shape of X [N, C, H, W]: torch.Size([64, 1, 28, 28])
Shape of y: torch.Size([64]) torch.int64

了解更多关于在 PyTorch 中加载数据的内容。

创建模型¶

要在 PyTorch 中定义神经网络，我们可以创建一个继承自`nn.Module <https://pytorch.org/docs/stable/generated/torch.nn.Module.html>`_ 的类。在``__init__``函数中定义网络的层级，并在``forward``函数中指定数据如何通过网络传递。为了加速神经网络中的操作，我们将其移动到`加速设备 <https://pytorch.org/docs/stable/torch.html#accelerators>`__，例如 CUDA、MPS、MTIA 或 XPU。如果当前加速设备可用，我们将使用它，否则使用 CPU。

device = torch.accelerator.current_accelerator().type if torch.accelerator.is_available() else "cpu"
print(f"Using {device} device")

# Define model
class NeuralNetwork(nn.Module):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10)
        )

    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

model = NeuralNetwork().to(device)
print(model)

Using cuda device
NeuralNetwork(
  (flatten): Flatten(start_dim=1, end_dim=-1)
  (linear_relu_stack): Sequential(
    (0): Linear(in_features=784, out_features=512, bias=True)
    (1): ReLU()
    (2): Linear(in_features=512, out_features=512, bias=True)
    (3): ReLU()
    (4): Linear(in_features=512, out_features=10, bias=True)
  )
)

了解更多关于在 PyTorch 中构建神经网络的内容。

优化模型参数¶

要训练模型，我们需要一个`损失函数 <https://pytorch.org/docs/stable/nn.html#loss-functions>`_ 和一个优化器。

loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)

在单次训练循环中，模型对训练数据集（以批次形式输入）进行预测，并对预测误差进行回传以调整模型参数。

def train(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)
    model.train()
    for batch, (X, y) in enumerate(dataloader):
        X, y = X.to(device), y.to(device)

        # Compute prediction error
        pred = model(X)
        loss = loss_fn(pred, y)

        # Backpropagation
        loss.backward()
        optimizer.step()
        optimizer.zero_grad()

        if batch % 100 == 0:
            loss, current = loss.item(), (batch + 1) * len(X)
            print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")

我们还会通过测试数据集检查模型的性能，以确保它正在学习。

def test(dataloader, model, loss_fn):
    size = len(dataloader.dataset)
    num_batches = len(dataloader)
    model.eval()
    test_loss, correct = 0, 0
    with torch.no_grad():
        for X, y in dataloader:
            X, y = X.to(device), y.to(device)
            pred = model(X)
            test_loss += loss_fn(pred, y).item()
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()
    test_loss /= num_batches
    correct /= size
    print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")

训练过程在多个迭代（epochs）中进行。在每个迭代周期中，模型学习参数以更好地进行预测。我们打印每个迭代周期的模型准确率和损失；希望看到准确率随每次迭代提升，损失随每次迭代下降。

epochs = 5
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train(train_dataloader, model, loss_fn, optimizer)
    test(test_dataloader, model, loss_fn)
print("Done!")

Epoch 1
-------------------------------
loss: 2.298864  [   64/60000]
loss: 2.294887  [ 6464/60000]
loss: 2.272572  [12864/60000]
loss: 2.274626  [19264/60000]
loss: 2.252019  [25664/60000]
loss: 2.218745  [32064/60000]
loss: 2.235160  [38464/60000]
loss: 2.193767  [44864/60000]
loss: 2.202221  [51264/60000]
loss: 2.169857  [57664/60000]
Test Error:
 Accuracy: 40.7%, Avg loss: 2.158742

Epoch 2
-------------------------------
loss: 2.169327  [   64/60000]
loss: 2.160686  [ 6464/60000]
loss: 2.101536  [12864/60000]
loss: 2.122119  [19264/60000]
loss: 2.068337  [25664/60000]
loss: 2.008605  [32064/60000]
loss: 2.044439  [38464/60000]
loss: 1.957621  [44864/60000]
loss: 1.969330  [51264/60000]
loss: 1.905960  [57664/60000]
Test Error:
 Accuracy: 53.0%, Avg loss: 1.893308

Epoch 3
-------------------------------
loss: 1.926609  [   64/60000]
loss: 1.894935  [ 6464/60000]
loss: 1.779157  [12864/60000]
loss: 1.823639  [19264/60000]
loss: 1.712858  [25664/60000]
loss: 1.667486  [32064/60000]
loss: 1.696034  [38464/60000]
loss: 1.592970  [44864/60000]
loss: 1.618237  [51264/60000]
loss: 1.525796  [57664/60000]
Test Error:
 Accuracy: 60.3%, Avg loss: 1.535225

Epoch 4
-------------------------------
loss: 1.599572  [   64/60000]
loss: 1.567665  [ 6464/60000]
loss: 1.422646  [12864/60000]
loss: 1.493899  [19264/60000]
loss: 1.378283  [25664/60000]
loss: 1.371760  [32064/60000]
loss: 1.386904  [38464/60000]
loss: 1.310720  [44864/60000]
loss: 1.343482  [51264/60000]
loss: 1.251240  [57664/60000]
Test Error:
 Accuracy: 62.9%, Avg loss: 1.274849

Epoch 5
-------------------------------
loss: 1.352706  [   64/60000]
loss: 1.335503  [ 6464/60000]
loss: 1.175693  [12864/60000]
loss: 1.275372  [19264/60000]
loss: 1.158055  [25664/60000]
loss: 1.175586  [32064/60000]
loss: 1.193521  [38464/60000]
loss: 1.130816  [44864/60000]
loss: 1.167957  [51264/60000]
loss: 1.086464  [57664/60000]
Test Error:
 Accuracy: 64.5%, Avg loss: 1.108346

Done!

了解更多关于训练模型的内容。

保存模型¶

保存模型的一种常见方法是序列化内部状态字典（包含模型参数）。

torch.save(model.state_dict(), "model.pth")
print("Saved PyTorch Model State to model.pth")

Saved PyTorch Model State to model.pth

加载模型¶

加载模型的过程包括重新创建模型结构，并将状态字典加载到其中。

model = NeuralNetwork().to(device)
model.load_state_dict(torch.load("model.pth", weights_only=True))

<All keys matched successfully>

现在可以使用该模型进行预测。

classes = [
    "T-shirt/top",
    "Trouser",
    "Pullover",
    "Dress",
    "Coat",
    "Sandal",
    "Shirt",
    "Sneaker",
    "Bag",
    "Ankle boot",
]

model.eval()
x, y = test_data[0][0], test_data[0][1]
with torch.no_grad():
    x = x.to(device)
    pred = model(x)
    predicted, actual = classes[pred[0].argmax(0)], classes[y]
    print(f'Predicted: "{predicted}", Actual: "{actual}"')

Predicted: "Ankle boot", Actual: "Ankle boot"

了解更多关于保存和加载模型的内容。

脚本总运行时间： (0 分钟 21.879 秒)

画廊由 Sphinx-Gallery 生成