Pytorch：入门指南和 GPU 计算

Pytorch：入门指南和 GPU 计算 Pytorch: 入门指南和 GPU 计算

Copyright: Jingmin Wei, Pattern Recognition and Intelligent System, School of Artificial and Intelligence, Huazhong University of Science and Technology

---

文章目录

Pytorch: 入门指南和 GPU 计算 @[toc]

教程前言

概览基础知识要求Reference Pytorch 安装和使用判断 GPU 是否可用和版本号使用GPU指定 GPU

本教程不商用，仅供学习和参考交流使用，如需转载，请联系本人。

教程前言

本教程为 Pytorch 入门到精通教程。

概览

第一阶段： 我们将介绍一些基础知识，从最简单的张量 *** 作开始，一步步深入：核心模块 torch.nn 与 *** 作算子，数据预处理与数据加载器构建，损失函数，优化器，网络模型搭建，网络参数计算，深度神经网络搭建框架与搭建实例。

在这一部分，我们将学习到：

实现高维矩阵的计算，索引，变换，变量的自动微分。

卷积，池化，全连接，循环，BN，GN，Dropout 等核心网络层的算法原理和实现方式。ReLU 及其变种, Softplus, Softmax 等常用的 Activation Function。感受野和空洞卷积相关理论。

交叉熵，均方误差等损失函数，SGD, Adam 等常用的经典优化器。

不同的数据增强方式，文字和图像数据的预处理和可视化。学习处理 IRIS鸢尾花，波士顿房价，Fashion-MNIST，IMDB 等常用数据集。

学习如何计算网络的卷积，池化，全连接层的参数，根据要求计算并搭建不同的神经网络。

第二阶段： 我们将介绍全连接神经网络和任务实现：

学习多层感知机(全连接网络)，实现基础的分类和回归任务。通过全连接神经网络实现垃圾邮件分类，波士顿房价预测。

第三阶段： 我们将学习不同的 CNN 的结构和原理。从这一部分开始，建议大家结合论文原文理解代码。这也是整个教程的核心部分。

学习卷积网络的基本构成，并搭建简单的网络实现 Fashion-MNIST 的识别。

利用爬虫爬取数据集，利用预训练的 VGG 网络在 ImageNet 上进行分类任务的分析。

微调预训练的网络实现猴子，猫狗分类等任务。

重难点：学习诸如 LeNet, AlexNet, NiN, VGG, GooLeNet, ResNet, DenseNet 的经典卷积网络模型。深入理解网络背后的结构，核心思想，优化理论，并用代码对论文中的网络结构进行复现。

第四阶段： 学习不同的循环神经网络，LSTM 和 GRU 。学习文本预处理的方法，并搭建 RNN ，实现文本分类和情感预测等自然语言处理任务。

第五阶段： 更加细化的学习一些经典算法和任务：

图像风格迁移，自编码器，图像语义分割，图卷积神经网络，图像目标检测与跟踪。

我们将用一些经典网络比如说 VGG19 ，实现图像风格迁移，图像语义分割等任务，感受现在很多流行的图像软件中，核心算法的魅力。

我们将用神经网络实现自编码器 Auto-encoder，对数据降维分析，并对比 PCA 的效果。

我们将学习半监督实现的图卷积神经网络，并对比 LP 的效果。

我们将学习 FCN, U-Net, SegNet 等经典的语义分割网络，并实现相关的图像语义分割任务。

我们也将探索 Faster R-CNN, SSD, YOLO 等目标检测网络框架的魅力。

第六阶段，还没想好。 虽然深度强化学习，对抗学习等自己也有相关笔记的教程参考，但是都是 tensorflow 写的，之后有时间再补上吧。然后一些其他的，比如说集成学习算法优化等等，也可以写在这一部分。一些轻量网络也可以作为拓展写在这，这是后话了

本教程不会详细地说明每一个使用方法的数学推导。 比如说，本教程不会着重告诉你，激活函数怎么来的？损失函数(比如说 Logistic )的梯度怎么推导？随机梯度下降法是怎么一回事？遇到相关概念，不明确的请自行查阅相关资料。

本教程侧重点为：通过实战，解决不同的分类回归问题；如何计算网络参数，搭建不同的网络模型；一些经典的神经网络模型和算法的代码实现；模型可视化，网络特征提取和可视化，结果可视化；模型的精度与损失的分析；一些经典的深度学习任务实现：数据回归预测，图像识别，文字分类，情感分析，风格迁移，语义分割，目标检测，对抗学习，自编码降维，图卷积等等。

基础知识要求

如果没有以下某些基础的也不必担心，你可以直接看代码，在学代码写代码的同时，遇到相关问题，去搜索查阅相关即可。基础知识都不是太难理解，一旦入门，就足以攻克 Pytorch 所需要的数学知识部分。

本教程阅读前需要读者掌握一定的基础知识：

高等数学，线性代数，概率论等数学基础。其中，矩阵运算，函数求导数，链式法则求梯度等相关数学知识是必要的。对于机器学习(监督学习，无监督学习，半监督学习)，深度学习有一定的基本概念认识。python 语言基础，尤其是面向对象的基础。一定程度的 numpy, matplotlib, pandas 的使用经验和数据处理基础。了解梯度下降法及其变种，了解损失函数(交叉熵，均方误差等)。接触过类似于感知器，线性回归，Logistic 回归，SVM 等机器学习的基础算法。非必须：自己实现过，或者调用过 scikit-learn 实现一些分类或回归任务非必须：一定的信号与系统基础知识。对于卷积，池化，归一化等等有基本认识。非必须：一定的图像知识基础，了解彩色图，灰度图，二值图，通道相关概念。了解一些常用的图像增强，图像变换的算法。一定的自然语言处理基础，了解Word2Vec，停顿词等相关概念。 Reference

本教程主要参考了如下资料：

模式识别课件 - 神经网络部分Pytorch: 深度学习入门与实战深度学习之Pytorch物体检测实战动手学深度学习花书《Deep Learning》西瓜书《机器学习》相关网络和数据的源论文…自己的课堂和课后笔记

详细的参考资料和论文在对应的各个教程部分都已经列出链接，大家打开论文和博客链接前记得科学上网。

本教程主要使用了如下数据集：

10-monkey-speciesBoston House PriceCat vs DogCOCOFace EmotionFashion-MNISTImageNetIRISIMDBMNISTPASCAL VOCSpam baseTHUCNewsVOT… Pytorch 安装和使用

Python 解释器：推荐 Anaconda3 。安装成功后，其 base 环境默认内置了很多科学计算库，不需要 pip / conda 一个个安装。但是Pytorch是需要用包管理工具自己安装的。容量不够可以考虑 Mini-Conda。

开发工具：VSCode / Pycharm 。推荐在 VSCode 下安装 Jupyter Notebook 插件，或者直接使用 Anaconda 自带的 Jupyter Notebook。不推荐使用 Pycharm 学习。

*** 作系统：Linux / Windows 皆可。Linux 系统需要一定的命令基础，这个我之后有空再上传吧。

库：pytorch, torchvision, torchsummary, torchviz, numpy, matplotlib, pandas, opencv-python, scikit-learn, seaborn, hiddenlayer, os, time, copy 等等。大部分库是预装好的，只有小部分库需要自己装，代码报错 ‘no module named …’ 的时候用 conda 安装即可。

硬件：电脑最好是有 N 卡，支持 CUDA 驱动。一些较为复杂的网络，CPU 是无法跑出一个好结果的，且非常的慢。如果没有 GPU，可以去租云服务器，或者使用 colab 等等。

请按需自行搜索相关教程：Anaconda3 + VSCode 环境配置；Anaconda3 + Pycharm 环境配置；Anaconda 安装 Pytorch；Jupyter Notebook 使用；Markdown 入门；LaTeX 数学公式；Conda 入门与环境管理；shell 常用文件管理命令；VSCode 下 Jupyter Notebook 插件安装； Pytorch 配置 GPU 相关教程。

相比起其他环境，配置 Pytorch 开发环境其实很简单的。只要你有 Python 基础，和 Anaconda 环境配置经验，那么这一部分你可以轻松实现。

# 以cpu版本为例，在conda终端输入命令即可
conda install pytorch
conda install torchvision

下载过慢请用其他镜像源，或者科学上网，Pytorch GPU 版本安装请自行搜索资料。

环境测试代码：

import torch.nn as nn
from torchvision import transforms

Jupyter Notebook 是一个交互式的 python 编程环境，使用文件后缀为.ipynb。支持 cell 编程方式，支持 Markdown 语法，支持多种文件格式导出。非常适合用来保存网络的训练预测结果，边写代码边做笔记，和随时随地的 debug 。第一次用 cell 可能会不太习惯，一旦上手你会发现它非常非常好用。

这一章节我们将讲一些 GPU 相关的代码。不支持 CUDA 的，或者没有配置 GPU 的请跳过这章的剩余部分。

# 导入相关库
import torch
import torch.nn as nn

判断 GPU 是否可用和版本号

torch.cuda.is_available()

True

输出版本号

print(torch.__version__)
print(torch.version.cuda)
print(torch.backends.cudnn.version())

1.8.1
10.1
7604

使用GPU

定义 device ：

# import os
# os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"

# apply GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# device = torch.device('cpu')
print(device)

cuda

输出设备个数和版本号

print(torch.cuda.device_count())
print(torch.cuda.get_device_name(0))

1
GeForce MX250

1. 可用如下代码在数据建立时就指定 device.

X = torch.randn(3, 3, device=device, requires_grad=True)
X

tensor([[ 0.8280,  1.6671,  0.3400],
        [ 0.1082,  0.1605,  1.4127],
        [ 0.7233, -1.4746,  1.2668]], device='cuda:0', requires_grad=True)

2. 如果指定了 device 为 GPU ，可以用如下代码将数据和模型 push 到 GPU 上。否则默认为 CPU 。

y = torch.tensor([1, 2, 3], dtype=torch.float64)
y.to(device)

tensor([1., 2., 3.], device='cuda:0', dtype=torch.float64)

3. 可以用如下代码将数据和模型在不同设备上切换。

X_train = X_train.cuda() # GPU
X_train = X_train.cpu() # CPU
X_train = X_train.to(device) # device为你自己指定的设备

以下代码说明，在深度学习代码框架中，什么时候需要将数据和模型 push 到 GPU 上。

# 模型放到GPU上
my_net = my_net().to(device)

# 定义损失函数需要放到GPU上
loss_func = nn.CrossEntropyLoss().to(device)   

# 使用模型，对数据进行训练和预测
y = my_net.to(device)

for step, batch in enumerate(data_loader):
    X_train, y_label = X_train.to(device), y_label.to(device)
    ...

指定 GPU

1.终端直接指定

CUDA_VISIBLE_DEVICES=2 python3 xxx.py

2.在脚本中用函数指定

torch.cuda.set_device(1)

处理多 GPU 并行计算

model_gpu = nn.DataParallel(my_net, device_ids=[0, 1])
output = model_gpu(input)

首先将模型加载到主 GPU 上，然后复制模型到各个指定的 GPU 上，将输入数据按 batch 维度进行划分，分配到每个 GPU 上独立前向传播，然后反向传播更新单个 GPU 的参数，最后将更新后的参数复制到各个 GPU 上。