前言

PyTorch提供了兩個(gè)主要特性：

（1） 一個(gè)n維的Tensor，與numpy相似但是支持GPU運(yùn)算。

（2） 搭建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)的自動(dòng)微分功能。

我們將會(huì)使用一個(gè)全連接的ReLU網(wǎng)絡(luò)作為實(shí)例。該網(wǎng)絡(luò)有一個(gè)隱含層，使用梯度下降來訓(xùn)練，目標(biāo)是最小化網(wǎng)絡(luò)輸出和真實(shí)輸出之間的歐氏距離。

目錄

Tensors（張量）

Warm-up：numpy

PyTorch：Tensors

Autograd（自動(dòng)梯度）

PyTorch：Variables and autograd （變量和自動(dòng)梯度）

PyTorch ： Defining new autograd functions（定義新的自動(dòng)梯度函數(shù)）

TensorFlow： Static Graphs （靜態(tài)圖）

nn module

PyTorch： nn

PyTorch： optim

PyTorch： Custom nn Modules （定制nn模塊）

PyTorch： Control Flow + Weight Sharing （控制流+權(quán)重分享）

Tensors（張量）

Warm-up：numpy

在介紹PyTorch之前，我們先使用numpy來實(shí)現(xiàn)一個(gè)網(wǎng)絡(luò)。

Numpy提供了一個(gè)n維數(shù)組對(duì)象，以及操作這些數(shù)組的函數(shù)。Numpy是一個(gè)通用的科學(xué)計(jì)算框架。它不是專門為計(jì)算圖、深度學(xué)習(xí)或者梯度計(jì)算而生，但是我們能用它來把一個(gè)兩層的網(wǎng)絡(luò)擬合到隨機(jī)數(shù)據(jù)上，只要我們手動(dòng)把numpy運(yùn)算在網(wǎng)絡(luò)上前向和反向執(zhí)行即可。

Numpy是一個(gè)了不起的框架，但是它很遺憾地不能支持GPU運(yùn)算，無法對(duì)數(shù)值計(jì)算進(jìn)行GPU加速。對(duì)于現(xiàn)在的深度神經(jīng)網(wǎng)絡(luò)，GPU一般能提供50倍以上的加速，所以numpy由于對(duì)GPU缺少支持，不能滿足深度神經(jīng)網(wǎng)絡(luò)的計(jì)算需求。

這里介紹一下最基本的PyTorch概念：Tensor。一個(gè)PyTorch Tensor在概念上等價(jià)于numpy array：Tensor是一個(gè)n維的array，PyTorch提供了很多函數(shù)來在Tensors上進(jìn)行運(yùn)算。像numpy arrays一樣，PyTorch Tensors也不是為深度學(xué)習(xí)、計(jì)算圖、梯度而生；他們是一個(gè)科學(xué)計(jì)算的通用工具。

PyTorch Tensors可以利用GPU來加速數(shù)值計(jì)算。為了能在GPU上跑Tensor，我們只需要將它轉(zhuǎn)到新的數(shù)據(jù)類型。

我們使用PyTorch Tensors來擬合2層的網(wǎng)絡(luò)。與上面的numpy例子一樣，我們需要手動(dòng)執(zhí)行網(wǎng)絡(luò)上的前向和反向過程。

Autograd（自動(dòng)梯度）

PyTorch：Variables and autograd （變量和自動(dòng)梯度）

在上面的例子中，我們必須手動(dòng)執(zhí)行網(wǎng)絡(luò)的前向和反向通道。對(duì)于一個(gè)兩層的小網(wǎng)絡(luò)來說，手動(dòng)反向執(zhí)行不是什么大事，但是對(duì)于大型網(wǎng)絡(luò)來說，就非常費(fèi)勁了。

幸運(yùn)的是，我們可以使用自動(dòng)微分來自動(dòng)計(jì)算神經(jīng)網(wǎng)絡(luò)的反向通道。PyTorch的autograd 包就提供了此項(xiàng)功能。當(dāng)使用autograd的時(shí)候，你的網(wǎng)絡(luò)的前向通道定義一個(gè)計(jì)算圖（computational graph），圖中的節(jié)點(diǎn)（node）是Tensors，邊（edge）將會(huì)是根據(jù)輸入Tensor來產(chǎn)生輸出Tensor的函數(shù)。這個(gè)圖的反向傳播將會(huì)允許你很輕松地去計(jì)算梯度。

這個(gè)聽起來復(fù)雜，但是實(shí)際操作非常簡(jiǎn)單。我們把PyTorch Tensors打包到Variable 對(duì)象中，一個(gè)Variable代表一個(gè)計(jì)算圖中的節(jié)點(diǎn)。如果x是一個(gè)Variable，那么x. data 就是一個(gè)Tensor 。并且x.grad是另一個(gè)Variable，該Variable保持了x相對(duì)于某個(gè)標(biāo)量值得梯度。

PyTorch的Variable具有與PyTorch Tensors相同的API。差不多所有適用于Tensor的運(yùn)算都能適用于Variables。區(qū)別在于，使用Variables定義一個(gè)計(jì)算圖，令我們可以自動(dòng)計(jì)算梯度。

下面我們使用PyTorch 的Variables和自動(dòng)梯度來執(zhí)行我們的兩層的神經(jīng)網(wǎng)絡(luò)。我們不再需要手動(dòng)執(zhí)行網(wǎng)絡(luò)的反向通道了。

PyTorch ： Defining new autograd functions（定義新的自動(dòng)梯度函數(shù)）

在底層，每一個(gè)原始的自動(dòng)梯度運(yùn)算符實(shí)際上是兩個(gè)在Tensor上運(yùn)行的函數(shù)。其中，forward函數(shù)計(jì)算從輸入Tensors獲得的輸出Tensors。而backward函數(shù)接收輸出Tensors相對(duì)于某個(gè)標(biāo)量值的梯度，并且計(jì)算輸入Tensors相對(duì)于該相同標(biāo)量值的梯度。

在PyTorch中，我們可以很容易地定義自己的自動(dòng)梯度運(yùn)算符。具體來講，就是先定義torch.autograd.Function的子類，然后實(shí)現(xiàn)forward和backward函數(shù)。之后我們就可以使用這個(gè)新的自動(dòng)梯度運(yùn)算符了。使用該運(yùn)算符的方式是創(chuàng)建一個(gè)實(shí)例，并且像一個(gè)函數(shù)一樣去調(diào)用它，傳遞包含輸入數(shù)據(jù)的Variables。

在這個(gè)例子中，我們定義自己的定制自動(dòng)梯度函數(shù)來執(zhí)行ReLU非線性，然后使用它執(zhí)行我們的兩層網(wǎng)絡(luò)。

TensorFlow： Static Graphs（靜態(tài)圖）

PyTorch自動(dòng)梯度看起來非常像TensorFlow：在兩個(gè)框架中，我們都定義計(jì)算圖，使用自動(dòng)微分來計(jì)算梯度。兩者最大的不同就是TensorFlow的計(jì)算圖是靜態(tài)的，而PyTorch使用動(dòng)態(tài)的計(jì)算圖。

在TensorFlow中，我們定義計(jì)算圖一次，然后重復(fù)執(zhí)行這個(gè)相同的圖，可能會(huì)提供不同的輸入數(shù)據(jù)。而在PyTorch中，每一個(gè)前向通道定義一個(gè)新的計(jì)算圖。

靜態(tài)圖的好處在于你可以預(yù)先對(duì)圖進(jìn)行優(yōu)化。例如，一個(gè)框架可能要融合一些圖運(yùn)算來提升效率，或者產(chǎn)生一個(gè)策略來將圖分布到多個(gè)GPU或機(jī)器上。如果你重復(fù)使用相同的圖，前期優(yōu)化的消耗就會(huì)被分?jǐn)傞_，因?yàn)橄嗤膱D在多次重復(fù)運(yùn)行。

靜態(tài)圖和動(dòng)態(tài)圖的一個(gè)不同之處是控制流。對(duì)于一些模型，我們希望對(duì)每個(gè)數(shù)據(jù)點(diǎn)執(zhí)行不同的計(jì)算。例如，一個(gè)遞歸神經(jīng)網(wǎng)絡(luò)可能對(duì)于每個(gè)數(shù)據(jù)點(diǎn)執(zhí)行不同的時(shí)間步數(shù)，這個(gè)展開（unrolling）可以作為一個(gè)循環(huán)來實(shí)現(xiàn)。對(duì)于一個(gè)靜態(tài)圖，循環(huán)結(jié)構(gòu)要作為圖的一部分。因此，TensorFlow提供了運(yùn)算符（例如tf .scan）來把循環(huán)嵌入到圖當(dāng)中。對(duì)于動(dòng)態(tài)圖來說，情況更加簡(jiǎn)單：既然我們?yōu)槊總€(gè)例子即時(shí)創(chuàng)建圖，我們可以使用正常的解釋流控制來為每個(gè)輸入執(zhí)行不同的計(jì)算。

為了與上面的PyTorch自動(dòng)梯度實(shí)例做對(duì)比，我們使用TensorFlow來擬合一個(gè)簡(jiǎn)單的2層網(wǎng)絡(luò)。

計(jì)算圖和自動(dòng)梯度是非常強(qiáng)大的范式，可用于定義復(fù)雜的運(yùn)算符和自動(dòng)求導(dǎo)數(shù)。然而，對(duì)于一個(gè)大型的網(wǎng)絡(luò)來說，原始的自動(dòng)梯度有點(diǎn)太低級(jí)別了。

在建立神經(jīng)網(wǎng)絡(luò)的時(shí)候，我們經(jīng)常把計(jì)算安排在層（layers）中。某些層有可學(xué)習(xí)的參數(shù)，將會(huì)在學(xué)習(xí)中進(jìn)行優(yōu)化。

在TensorFlow中，Keras，TensorFlow-Slim和TFLearn這些包提供了原始計(jì)算圖之上的高級(jí)抽象，這對(duì)于構(gòu)建神經(jīng)網(wǎng)絡(luò)大有裨益。

在PyTorch中， nn包服務(wù)于相同的目的。nn包定義了一系列Modules，大體上相當(dāng)于神經(jīng)網(wǎng)絡(luò)的層。一個(gè)Module接收輸入Variables，計(jì)算輸出Variables，但是也可以保持一個(gè)內(nèi)部狀態(tài)，例如包含了可學(xué)習(xí)參數(shù)的Variables。nn 包還定義了一系列在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)常用的損失函數(shù)。

在下面例子中，我們使用nn包來實(shí)現(xiàn)我們的兩層神經(jīng)網(wǎng)絡(luò)。

目前，我們已經(jīng)通過手動(dòng)改變持有可學(xué)習(xí)參數(shù)的Variables的 .data成員來更新模型的權(quán)重。對(duì)于簡(jiǎn)單的優(yōu)化算法（例如隨機(jī)梯度下降）來說這不是一個(gè)大的負(fù)擔(dān)，但是實(shí)際上我們經(jīng)常使用更加復(fù)雜的優(yōu)化器來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，例如AdaGrad， RMSProp， Adam等。

PyTorch的optim包將優(yōu)化算法進(jìn)行抽象，并提供了常用的優(yōu)化算法的實(shí)現(xiàn)。

下面這個(gè)例子，我們將會(huì)使用 nn包來定義模型，使用optim包提供的Adam算法來優(yōu)化這個(gè)模型。

有時(shí)候，需要設(shè)定比現(xiàn)有模塊序列更加復(fù)雜的模型。這時(shí)，你可以通過生成一個(gè)nn.Module的子類來定義一個(gè)forward。該forward可以使用其他的modules或者其他的自動(dòng)梯度運(yùn)算來接收輸入Variables，產(chǎn)生輸出Variables。

在這個(gè)例子中，我們實(shí)現(xiàn)兩層神經(jīng)網(wǎng)絡(luò)作為一個(gè)定制的Module子類。

我們實(shí)現(xiàn)一個(gè)非常奇怪的模型來作為動(dòng)態(tài)圖和權(quán)重分享的例子。這個(gè)模型是一個(gè)全連接的ReLU網(wǎng)絡(luò)。每一個(gè)前向通道選擇一個(gè)1至4之間的隨機(jī)數(shù)，在很多隱含層中使用。多次使用相同的權(quán)重來計(jì)算最內(nèi)層的隱含層。

這個(gè)模型我們使用正常的Python流控制來實(shí)現(xiàn)循環(huán)。在定義前向通道時(shí)，通過多次重復(fù)使用相同的Module來實(shí)現(xiàn)權(quán)重分享。

我們實(shí)現(xiàn)這個(gè)模型作為一個(gè)Module的子類。

總結(jié)

本文介紹了PyTorch中的重點(diǎn)模塊和使用，對(duì)于開展之后的實(shí)戰(zhàn)練習(xí)非常重要。所以，我們需要認(rèn)真練習(xí)一下本文的所有模塊。最好手敲代碼走一遍。

責(zé)任編輯：xj