PyTorch翻译官网教程1-QUICKSTART

这篇具有很好参考价值的文章主要介绍了PyTorch翻译官网教程1-QUICKSTART。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

官网链接

Quickstart — PyTorch Tutorials 2.0.1+cu117 documentation

快速开始

本节将介绍机器学习中常见任务的API。请参阅每个部分中的链接以深入了解。

数据处理

PyTorch有两个处理数据源,torch.utils.data.DataLoader 和 torch.utils.data.Dataset 。Dataset存储样本及其相应的标签,DataLoader在Dataset之上包装一个可迭代对象。

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

PyTorch提供了特定领域的库,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 模块包含了真实数据的Dataset对象。比如 CIFAR, COCO(完整列表参考Datasets — Torchvision 0.15 documentation)。在本教程中,我们使用FashionMNIST数据集。每个TorchVision数据集包含两个参数: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DataLoader的入参,Dataset在数据集上包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。这里我们定义了一个批处理大小为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

输出:

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

创建模型

为了在PyTorch中定义一个神经网络,我们创建了一个继承了nn.Module的类,我们在__init__函数中定义网络层,并在forward函数中指定数据如何通过网络。为了加速神经网络的操作,我们将其转移到GPU或MPS(如果可用)。

注:

PyTorch MPS (Multi-Process Service)是 PyTorch 中的一种分布式训练方式。它是基于Apple的MPS(Metal Performance Shaders) 框架开发的

# Get cpu, gpu or mps device for training.
device = (
    "cuda"
    if torch.cuda.is_available()
    else "mps"
    if torch.backends.mps.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)

输出

Using mps 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)
  )
)

注:因为我的设备是苹果,所以输出是mps,跟官网显示不同


优化模型参数

为了训练一个模型,我们需要一个损失函数和一个优化器。

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

在单个训练循环中,模型对训练数据集进行预测(批量提供给它),并反向传播预测误差以调整模型的参数。

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}]")

我们还根据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")

训练过程在几个迭代(epochs)中进行。在每个epochs,模型学习参数以做出更好的预测。我们打印出模型在每个epochs的精度和损失;我们希望看到精度随着时间的推移而提高,损失随着时间的推移而减少。

输出

Epoch 1
-------------------------------
loss: 2.304695  [   64/60000]
loss: 2.293914  [ 6464/60000]
loss: 2.271139  [12864/60000]
loss: 2.267832  [19264/60000]
loss: 2.240983  [25664/60000]
loss: 2.217048  [32064/60000]
loss: 2.230957  [38464/60000]
loss: 2.190546  [44864/60000]
loss: 2.180454  [51264/60000]
loss: 2.167166  [57664/60000]
Test Error: 
 Accuracy: 43.7%, Avg loss: 2.148366 

Epoch 2
-------------------------------
loss: 2.155765  [   64/60000]
loss: 2.153187  [ 6464/60000]
loss: 2.084353  [12864/60000]
loss: 2.106838  [19264/60000]
loss: 2.051079  [25664/60000]
loss: 1.998855  [32064/60000]
loss: 2.030421  [38464/60000]
loss: 1.942099  [44864/60000]
loss: 1.941234  [51264/60000]
loss: 1.891874  [57664/60000]
Test Error: 
 Accuracy: 55.8%, Avg loss: 1.873747 

Epoch 3
-------------------------------
loss: 1.904033  [   64/60000]
loss: 1.885520  [ 6464/60000]
loss: 1.749947  [12864/60000]
loss: 1.801118  [19264/60000]
loss: 1.690538  [25664/60000]
loss: 1.652585  [32064/60000]
loss: 1.680197  [38464/60000]
loss: 1.571219  [44864/60000]
loss: 1.597052  [51264/60000]
loss: 1.505626  [57664/60000]
Test Error: 
 Accuracy: 61.0%, Avg loss: 1.510632 

Epoch 4
-------------------------------
loss: 1.579605  [   64/60000]
loss: 1.553953  [ 6464/60000]
loss: 1.388195  [12864/60000]
loss: 1.468328  [19264/60000]
loss: 1.347958  [25664/60000]
loss: 1.354385  [32064/60000]
loss: 1.368013  [38464/60000]
loss: 1.285745  [44864/60000]
loss: 1.321613  [51264/60000]
loss: 1.226315  [57664/60000]
Test Error: 
 Accuracy: 63.1%, Avg loss: 1.248957 

Epoch 5
-------------------------------
loss: 1.330482  [   64/60000]
loss: 1.320243  [ 6464/60000]
loss: 1.139326  [12864/60000]
loss: 1.250566  [19264/60000]
loss: 1.124903  [25664/60000]
loss: 1.160373  [32064/60000]
loss: 1.176003  [38464/60000]
loss: 1.108413  [44864/60000]
loss: 1.148409  [51264/60000]
loss: 1.063753  [57664/60000]
Test Error: 
 Accuracy: 64.3%, Avg loss: 1.086042 

Done!

保存模型

保存模型的一种常用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")

输出

Saved PyTorch Model State to model.pth

加载模型

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

这个模型现在可以用来做预测。

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}"')

输出文章来源地址https://www.toymoban.com/news/detail-499260.html

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

到了这里,关于PyTorch翻译官网教程1-QUICKSTART的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • PyTorch翻译官网教程6-AUTOMATIC DIFFERENTIATION WITH TORCH.AUTOGRAD

    Automatic Differentiation with torch.autograd — PyTorch Tutorials 2.0.1+cu117 documentation 当训练神经网络时,最常用的算法是方向传播算法。在该算法中,根据损失函数与给定参数的梯度来调整模型参数(权重)。 为了计算这些梯度,PyTorch有一个内置的微分引擎,名为torch.autograd。它支持任

    2024年02月16日
    浏览(48)
  • PyTorch翻译官网教程-FAST TRANSFORMER INFERENCE WITH BETTER TRANSFORMER

    Fast Transformer Inference with Better Transformer — PyTorch Tutorials 2.0.1+cu117 documentation 本教程介绍了作为PyTorch 1.12版本的一部分的Better Transformer (BT)。在本教程中,我们将展示如何使用更好的 Transformer 与 torchtext 进行生产推理。Better Transformer是一个具备生产条件fastpath并且可以加速在CP

    2024年02月13日
    浏览(44)
  • PyTorch翻译官网教程-LANGUAGE MODELING WITH NN.TRANSFORMER AND TORCHTEXT

    Language Modeling with nn.Transformer and torchtext — PyTorch Tutorials 2.0.1+cu117 documentation 这是一个关于训练模型使用nn.Transformer来预测序列中的下一个单词的教程。 PyTorch 1.2版本包含了一个基于论文Attention is All You Need的标准 transformer 模块。与循环神经网络( RNNs )相比, transformer 模型已被

    2024年02月13日
    浏览(40)
  • PyTorch翻译官网教程-DEPLOYING PYTORCH IN PYTHON VIA A REST API WITH FLASK

    Deploying PyTorch in Python via a REST API with Flask — PyTorch Tutorials 2.0.1+cu117 documentation 在本教程中,我们将使用Flask部署PyTorch模型,并开放用于模型推断的REST API。特别是,我们将部署一个预训练的DenseNet 121模型来检测图像。 这是关于在生产环境中部署PyTorch模型的系列教程中的第一篇

    2024年02月16日
    浏览(43)
  • PyTorch翻译官网教程-NLP FROM SCRATCH: GENERATING NAMES WITH A CHARACTER-LEVEL RNN

    NLP From Scratch: Generating Names with a Character-Level RNN — PyTorch Tutorials 2.0.1+cu117 documentation 这是我们关于“NLP From Scratch”的三篇教程中的第二篇。在第一个教程中 /intermediate/char_rnn_classification_tutorial 我们使用RNN将名字按其原始语言进行分类。这一次,我们将通过语言中生成名字。

    2024年02月13日
    浏览(44)
  • PyTorch翻译官网教程-NLP FROM SCRATCH: CLASSIFYING NAMES WITH A CHARACTER-LEVEL RNN

    NLP From Scratch: Classifying Names with a Character-Level RNN — PyTorch Tutorials 2.0.1+cu117 documentation 我们将建立和训练一个基本的字符级递归神经网络(RNN)来分类单词。本教程以及另外两个“from scratch”的自然语言处理(NLP)教程 NLP From Scratch: Generating Names with a Character-Level RNN 和 NLP From Scratch

    2024年02月12日
    浏览(59)
  • GPT最佳实践-翻译官网

    https://platform.openai.com/docs/guides/gpt-best-practices/gpt-best-practices 本指南分享了从 GPT 获得更好结果的策略和战术。有时可以结合使用此处描述的方法以获得更大的效果。我们鼓励进行实验以找到最适合您的方法。 此处演示的一些示例目前仅适用于我们功能最强大的模型 gpt-4 .如果

    2024年02月09日
    浏览(50)
  • 【python】python结合js逆向,让有道翻译成为你的翻译官,实现本地免费实时翻译

    ✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN新星创作者等等。 🏆《博客》:Python全栈,前后端开发,人工智能,js逆向,App逆

    2024年03月23日
    浏览(43)
  • TextMesh Pro 1 : 官网文章翻译、基本使用视频教程

    实际操作参考:Unity3d 教程 | TextmeshPro 动态字体 | Fallback | 后备字体 | UI_哔哩哔哩_bilibili 原文链接:TextMesh Pro: Font Asset Creation - Unity Learn 把Font Assets看成字体容器(font container),这样就能在项目中使用各种花里胡哨的字体,但是只需用一个相关文件,不用反复的修改原字体文

    2023年04月18日
    浏览(34)
  • Spring MVC里的DispatchServlet(结合Spring官网翻译)

    在进入这一节之前我建议各位对 Java Web 有比较熟悉的了解以后再进行,否则阅读起来会比较 困难且难以理解 。诸如 Servlet生命周期、ServletContext 、ApplicationContext 等等。如果不太熟悉Java Web,可以参考以下文章: JavaWeb——Servlet(全网最详细教程包括Servlet源码分析) 以及 S

    2024年02月07日
    浏览(40)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包