查看原文
其他

PyTorch 常用代码段合集

推荐关注↓

本文是PyTorch常用代码段合集,涵盖基本配置、张量处理、模型定义与操作、数据处理、模型训练与测试等5个方面,还给出了多个值得注意的Tips,内容非常全面。

PyTorch最好的资料是官方文档。本文是PyTorch常用代码段,在参考资料[1](张皓:PyTorch Cookbook)的基础上做了一些修补,方便使用时查阅。

1. 基本配置

导入包和版本查询

import torch
import torch.nn as nn
import torchvision
print(torch.__version__)
print(torch.version.cuda)
print(torch.backends.cudnn.version())
print(torch.cuda.get_device_name(0))

可复现性

在硬件设备(CPU、GPU)不同时,完全的可复现性无法保证,即使随机种子相同。但是,在同一个设备上,应该保证可复现性。具体做法是,在程序开始的时候固定torch的随机种子,同时也把numpy的随机种子固定。

np.random.seed(0)
torch.manual_seed(0)
torch.cuda.manual_seed_all(0)

torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmark = False

显卡设置

如果只需要一张显卡

# Device configuration
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

如果需要指定多张显卡,比如0,1号显卡。

import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0,1'

也可以在命令行运行代码时设置显卡:

CUDA_VISIBLE_DEVICES=0,1 python train.py

清除显存

torch.cuda.empty_cache()

也可以使用在命令行重置GPU的指令

nvidia-smi --gpu-reset -i [gpu_id]

2. 张量(Tensor)处理

张量的数据类型

PyTorch有9种CPU张量类型和9种GPU张量类型。

张量基本信息

tensor = torch.randn(3,4,5)
print(tensor.type())  # 数据类型
print(tensor.size())  # 张量的shape,是个元组
print(tensor.dim())   # 维度的数量

命名张量

张量命名是一个非常有用的方法,这样可以方便地使用维度的名字来做索引或其他操作,大大提高了可读性、易用性,防止出错。

# 在PyTorch 1.3之前,需要使用注释
# Tensor[N, C, H, W]
images = torch.randn(32, 3, 56, 56)
images.sum(dim=1)
images.select(dim=1, index=0)

# PyTorch 1.3之后
NCHW = [‘N’, ‘C’, ‘H’, ‘W’]
images = torch.randn(32, 3, 56, 56, names=NCHW)
images.sum('C')
images.select('C', index=0)
# 也可以这么设置
tensor = torch.rand(3,4,1,2,names=('C''N''H''W'))
# 使用align_to可以对维度方便地排序
tensor = tensor.align_to('N''C''H''W')

数据类型转换

# 设置默认类型,pytorch中的FloatTensor远远快于DoubleTensor
torch.set_default_tensor_type(torch.FloatTensor)

# 类型转换
tensor = tensor.cuda()
tensor = tensor.cpu()
tensor = tensor.float()
tensor = tensor.long()

torch.Tensor与np.ndarray转换

除了CharTensor,其他所有CPU上的张量都支持转换为numpy格式然后再转换回来。

ndarray = tensor.cpu().numpy()
tensor = torch.from_numpy(ndarray).float()
tensor = torch.from_numpy(ndarray.copy()).float() # If ndarray has negative stride.

Torch.tensor与PIL.Image转换

# pytorch中的张量默认采用[N, C, H, W]的顺序,并且数据范围在[0,1],需要进行转置和规范化
# torch.Tensor -> PIL.Image
image = PIL.Image.fromarray(torch.clamp(tensor*255, min=0, max=255).byte().permute(1,2,0).cpu().numpy())
image = torchvision.transforms.functional.to_pil_image(tensor)  # Equivalently way

# PIL.Image -> torch.Tensor
path = r'./figure.jpg'
tensor = torch.from_numpy(np.asarray(PIL.Image.open(path))).permute(2,0,1).float() / 255
tensor = torchvision.transforms.functional.to_tensor(PIL.Image.open(path)) # Equivalently way

np.ndarray与PIL.Image的转换

image = PIL.Image.fromarray(ndarray.astype(np.uint8))
ndarray = np.asarray(PIL.Image.open(path))

从只包含一个元素的张量中提取值

value = torch.rand(1).item()

张量形变

# 在将卷积层输入全连接层的情况下通常需要对张量做形变处理,
# 相比torch.view,torch.reshape可以自动处理输入张量不连续的情况。
tensor = torch.rand(2,3,4)
shape = (6, 4)
tensor = torch.reshape(tensor, shape)

打乱顺序

tensor = tensor[torch.randperm(tensor.size(0))]  # 打乱第一个维度

水平翻转

# pytorch不支持tensor[::-1]这样的负步长操作,水平翻转可以通过张量索引实现
# 假设张量的维度为[N, D, H, W].
tensor = tensor[:,:,:,torch.arange(tensor.size(3) - 1, -1, -1).long()]

复制张量

# Operation                 |  New/Shared memory | Still in computation graph |
tensor.clone()            # |        New         |          Yes               |
tensor.detach()           # |      Shared        |          No                |
tensor.detach.clone()()   # |        New         |          No                |

张量拼接

'''
注意torch.cat和torch.stack的区别在于torch.cat沿着给定的维度拼接,
而torch.stack会新增一维。例如当参数是3个10x5的张量,torch.cat的结果是30x5的张量,
而torch.stack的结果是3x10x5的张量。
'
''
tensor = torch.cat(list_of_tensors, dim=0)
tensor = torch.stack(list_of_tensors, dim=0)

将整数标签转为one-hot编码

# pytorch的标记默认从0开始
tensor = torch.tensor([0, 2, 1, 3])
N = tensor.size(0)
num_classes = 4
one_hot = torch.zeros(N, num_classes).long()
one_hot.scatter_(dim=1, index=torch.unsqueeze(tensor, dim=1), src=torch.ones(N, num_classes).long())

得到非零元素

torch.nonzero(tensor)               # index of non-zero elements
torch.nonzero(tensor==0)            # index of zero elements
torch.nonzero(tensor).size(0)       # number of non-zero elements
torch.nonzero(tensor == 0).size(0)  # number of zero elements

判断两个张量相等

torch.allclose(tensor1, tensor2)  # float tensor
torch.equal(tensor1, tensor2)     # int tensor

张量扩展

# Expand tensor of shape 64*512 to shape 64*512*7*7.
tensor = torch.rand(64,512)
torch.reshape(tensor, (64, 512, 1, 1)).expand(64, 512, 7, 7)

矩阵乘法

# Matrix multiplcation: (m*n) * (n*p) * -> (m*p).
result = torch.mm(tensor1, tensor2)

# Batch matrix multiplication: (b*m*n) * (b*n*p) -> (b*m*p)
result = torch.bmm(tensor1, tensor2)

# Element-wise multiplication.
result = tensor1 * tensor2

计算两组数据之间的两两欧式距离

利用broadcast机制

dist = torch.sqrt(torch.sum((X1[:,None,:] - X2) ** 2, dim=2))

3. 模型定义和操作

一个简单两层卷积网络的示例

# convolutional neural network (2 convolutional layers)
class ConvNet(nn.Module):   
    def __init__(self, num_classes=10):   
        super(ConvNet, self).__init__()    
        self.layer1 = nn.Sequential(     
            nn.Conv2d(1, 16, kernel_size=5, stride=1, padding=2),           
            nn.BatchNorm2d(16),     
            nn.ReLU(),      
            nn.MaxPool2d(kernel_size=2, stride=2))     
        self.layer2 = nn.Sequential(       
            nn.Conv2d(16, 32, kernel_size=5, stride=1, padding=2),         
            nn.BatchNorm2d(32),    
            nn.ReLU(),        
            nn.MaxPool2d(kernel_size=2, stride=2))   
        self.fc = nn.Linear(7*7*32, num_classes)   
        
    def forward(self, x):   
        out = self.layer1(x)    
        out = self.layer2(out)     
        out = out.reshape(out.size(0), -1)     
        out = self.fc(out)   
        return out
        
model = ConvNet(num_classes).to(device)

卷积层的计算和展示可以用这个网站辅助。

双线性汇合(bilinear pooling)

X = torch.reshape(N, D, H * W)       # Assume X has shape N*D*H*W
X = torch.bmm(X, torch.transpose(X, 1, 2)) / (H * W)  # Bilinear pooling
assert X.size() == (N, D, D)
X = torch.reshape(X, (N, D * D))
X = torch.sign(X) * torch.sqrt(torch.abs(X) + 1e-5)   # Signed-sqrt normalization
X = torch.nn.functional.normalize(X)                  # L2 normalization

多卡同步 BN(Batch normalization)

当使用 torch.nn.DataParallel 将代码运行在多张 GPU 卡上时,PyTorch 的 BN 层默认操作是各卡上数据独立地计算均值和标准差,同步 BN 使用所有卡上的数据一起计算 BN 层的均值和标准差,缓解了当批量大小(batch size)比较小时对均值和标准差估计不准的情况,是在目标检测等任务中一个有效的提升性能的技巧。

sync_bn = torch.nn.SyncBatchNorm(num_features, eps=1e-05, momentum=0.1, affine=True,             
                                 track_running_stats=True)

将已有网络的所有BN层改为同步BN层

def convertBNtoSyncBN(module, process_group=None):   
    '''Recursively replace all BN layers to SyncBN layer.  
    
    Args:     
        module[torch.nn.Module]. Network  
    '
'' 
    if isinstance(module, torch.nn.modules.batchnorm._BatchNorm):      
        sync_bn = torch.nn.SyncBatchNorm(module.num_features, module.eps, module.momentum,                                         
                                         module.affine, module.track_running_stats, process_group)     
        sync_bn.running_mean = module.running_mean      
        sync_bn.running_var = module.running_var     
        if module.affine:       
            sync_bn.weight = module.weight.clone().detach() 
            sync_bn.bias = module.bias.clone().detach()   
        return sync_bn  
    else:    
        for name, child_module in module.named_children():           
            setattr(module, name) = convert_syncbn_model(child_module, process_group=process_group))    
        return module

类似 BN 滑动平均

如果要实现类似 BN 滑动平均的操作,在 forward 函数中要使用原地(inplace)操作给滑动平均赋值。

class BN(torch.nn.Module)  
    def __init__(self):     
        ...     
        self.register_buffer('running_mean', torch.zeros(num_features))
        
    def forward(self, X):   
        ...      
        self.running_mean += momentum * (current - self.running_mean)

计算模型整体参数量

num_parameters = sum(torch.numel(parameter) for parameter in model.parameters())

查看网络中的参数

可以通过model.state_dict()或者model.named_parameters()函数查看现在的全部可训练参数(包括通过继承得到的父类中的参数)

params = list(model.named_parameters())
(name, param) = params[28]
print(name)
print(param.grad)
print('-------------------------------------------------')
(name2, param2) = params[29]
print(name2)
print(param2.grad)
print('----------------------------------------------------')
(name1, param1) = params[30]
print(name1)
print(param1.grad)

模型可视化(使用pytorchviz)

szagoruyko/pytorchvizgithub.com

类似 Keras 的 model.summary() 输出模型信息,使用pytorch-summary

sksq96/pytorch-summarygithub.com

模型权重初始化

注意 model.modules() 和 model.children() 的区别:model.modules() 会迭代地遍历模型的所有子层,而 model.children() 只会遍历模型下的一层。

# Common practise for initialization.
for layer in model.modules(): 
    if isinstance(layer, torch.nn.Conv2d):    
        torch.nn.init.kaiming_normal_(layer.weight, mode='fan_out',                                
                                       nonlinearity='relu'
        if layer.bias is not None:    
            torch.nn.init.constant_(layer.bias, val=0.0)  
    elif isinstance(layer, torch.nn.BatchNorm2d):     
        torch.nn.init.constant_(layer.weight, val=1.0)  
        torch.nn.init.constant_(layer.bias, val=0.0)   
    elif isinstance(layer, torch.nn.Linear):     
        torch.nn.init.xavier_normal_(layer.weight)    
        if layer.bias is not None:      
            torch.nn.init.constant_(layer.bias, val=0.0)
# Initialization with given tensor.
layer.weight = torch.nn.Parameter(tensor)

提取模型中的某一层

modules()会返回模型中所有模块的迭代器,它能够访问到最内层,比如self.layer1.conv1这个模块,还有一个与它们相对应的是name_children()属性以及named_modules(),这两个不仅会返回模块的迭代器,还会返回网络层的名字。

# 取模型中的前两层
new_model = nn.Sequential(*list(model.children())[:2] 
# 如果希望提取出模型中的所有卷积层,可以像下面这样操作:
for layer in model.named_modules():   
    if isinstance(layer[1],nn.Conv2d):    
         conv_model.add_module(layer[0],layer[1])

部分层使用预训练模型

注意如果保存的模型是 torch.nn.DataParallel,则当前的模型也需要是

model.load_state_dict(torch.load('model.pth'), strict=False)

将在 GPU 保存的模型加载到 CPU

model.load_state_dict(torch.load('model.pth', map_location='cpu'))

导入另一个模型的相同部分到新的模型

模型导入参数时,如果两个模型结构不一致,则直接导入参数会报错。用下面方法可以把另一个模型的相同的部分导入到新的模型中。

# model_new代表新的模型
# model_saved代表其他模型,比如用torch.load导入的已保存的模型
model_new_dict = model_new.state_dict()
model_common_dict = {k:v for k, v in model_saved.items() if k in model_new_dict.keys()}
model_new_dict.update(model_common_dict)
model_new.load_state_dict(model_new_dict)

4. 数据处理

计算数据集的均值和标准差

import os
import cv2
import numpy as np
from torch.utils.data import Dataset
from PIL import Image

def compute_mean_and_std(dataset):  
    # 输入PyTorch的dataset,输出均值和标准差   
    mean_r = 0  
    mean_g = 0   
    mean_b = 0 
    
    for img, _ in dataset:    
        img = np.asarray(img) # change PIL Image to numpy array     
        mean_b += np.mean(img[:, :, 0])     
        mean_g += np.mean(img[:, :, 1])   
        mean_r += np.mean(img[:, :, 2])  
        
    mean_b /= len(dataset)  
    mean_g /= len(dataset)   
    mean_r /= len(dataset)  
    
    diff_r = 0    
    diff_g = 0  
    diff_b = 0  
    
    N = 0  
    
    for img, _ in dataset:   
        img = np.asarray(img)      
        
        diff_b += np.sum(np.power(img[:, :, 0] - mean_b, 2))
        diff_g += np.sum(np.power(img[:, :, 1] - mean_g, 2))
        diff_r += np.sum(np.power(img[:, :, 2] - mean_r, 2)) 
        
        N += np.prod(img[:, :, 0].shape)  
    
    std_b = np.sqrt(diff_b / N)  
    std_g = np.sqrt(diff_g / N)  
    std_r = np.sqrt(diff_r / N) 
    
    mean = (mean_b.item() / 255.0, mean_g.item() / 255.0, mean_r.item() / 255.0) 
    std = (std_b.item() / 255.0, std_g.item() / 255.0, std_r.item() / 255.0) 
    return mean, std

得到视频数据基本信息

import cv2
video = cv2.VideoCapture(mp4_path)
height = int(video.get(cv2.CAP_PROP_FRAME_HEIGHT))
width = int(video.get(cv2.CAP_PROP_FRAME_WIDTH))
num_frames = int(video.get(cv2.CAP_PROP_FRAME_COUNT))
fps = int(video.get(cv2.CAP_PROP_FPS))
video.release()

TSN 每段(segment)采样一帧视频

K = self._num_segments
if is_train: 
    if num_frames > K:    
        # Random index for each segment.     
        frame_indices = torch.randint(       
            high=num_frames // K, size=(K,), dtype=torch.long)      
        frame_indices += num_frames // K * torch.arange(K) 
    else:      
        frame_indices = torch.randint(      
            high=num_frames, size=(K - num_frames,), dtype=torch.long)     
        frame_indices = torch.sort(torch.cat((       
            torch.arange(num_frames), frame_indices)))[0]
else:   
    if num_frames > K:  
        # Middle index for each segment.    
        frame_indices = num_frames / K // 2     
        frame_indices += num_frames // K * torch.arange(K)  
    else:    
        frame_indices = torch.sort(torch.cat((      
            torch.arange(num_frames), torch.arange(K - num_frames))))[0]
assert frame_indices.size() == (K,)
return [frame_indices[i] for i in range(K)]

常用训练和验证数据预处理

其中 ToTensor 操作会将 PIL.Image 或形状为 H×W×D,数值范围为 [0, 255] 的 np.ndarray 转换为形状为 D×H×W,数值范围为 [0.0, 1.0] 的 torch.Tensor。

train_transform = torchvision.transforms.Compose([ 
    torchvision.transforms.RandomResizedCrop(size=224,                                       
                                             scale=(0.08, 1.0)),   
    torchvision.transforms.RandomHorizontalFlip(),   
    torchvision.transforms.ToTensor(),  
    torchvision.transforms.Normalize(mean=(0.485, 0.456, 0.406),                                
                                     std=(0.229, 0.224, 0.225)
]) 
val_transform = torchvision.transforms.Compose([  
   torchvision.transforms.Resize(256),  
   torchvision.transforms.CenterCrop(224),   
   torchvision.transforms.ToTensor(), 
   torchvision.transforms.Normalize(mean=(0.485, 0.456, 0.406),                                  
                                    std=(0.229, 0.224, 0.225)),
])

5. 模型训练和测试

分类模型训练代码

# Loss and optimizer
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

# Train the model
total_step = len(train_loader)
for epoch in range(num_epochs):  
    for i ,(images, labels) in enumerate(train_loader):    
        images = images.to(device)    
        labels = labels.to(device)      
        
        # Forward pass    
        outputs = model(images)       
        loss = criterion(outputs, labels)     
        
        # Backward and optimizer   
        optimizer.zero_grad()     
        loss.backward() 
        optimizer.step()      
        
        if (i+1) % 100 == 0:    
            print('Epoch: [{}/{}], Step: [{}/{}], Loss: {}'                 
                  .format(epoch+1, num_epochs, i+1, total_step, loss.item()))

分类模型测试代码

# Test the model
model.eval()  # eval mode(batch norm uses moving mean/variance             
              #instead of mini-batch mean/variance)
with torch.no_grad(): 
    correct = 0  
    total = 0 
    for images, labels in test_loader:   
        images = images.to(device)     
        labels = labels.to(device)    
        outputs = model(images)      
        _, predicted = torch.max(outputs.data, 1)    
        total += labels.size(0)      
        correct += (predicted == labels).sum().item()   
        
        print('Test accuracy of the model on the 10000 test images: {} %'      
              .format(100 * correct / total))

自定义loss

继承torch.nn.Module类写自己的loss。

class MyLoss(torch.nn.Moudle):  
    def __init__(self):    
        super(MyLoss, self).__init__()
        
    def forward(self, x, y):    
        loss = torch.mean((x - y) ** 2)   
        return loss

标签平滑(label smoothing)

写一个label_smoothing.py的文件,然后在训练代码里引用,用LSR代替交叉熵损失即可。label_smoothing.py内容如下:

import torch
import torch.nn as nn

class LSR(nn.Module):

    def __init__(self, e=0.1, reduction='mean'):   
        super().__init__()
        
        self.log_softmax = nn.LogSoftmax(dim=1)   
        self.e = e     
        self.reduction = reduction
        
    def _one_hot(self, labels, classes, value=1):   
        """        
            Convert labels to one hot vectors
            
        Args:      
            labels: torch tensor in format [label1, label2, label3, ...]       
            classes: int, number of classes       
            value: label value in one hot vector, default to 1
            
        Returns:        
            return one hot format labels in shape [batchsize, classes]    
        "
""
        
        one_hot = torch.zeros(labels.size(0), classes)
        
        #labels and value_added  size must match     
        labels = labels.view(labels.size(0), -1)   
        value_added = torch.Tensor(labels.size(0), 1).fill_(value)
        
        value_added = value_added.to(labels.device)   
        one_hot = one_hot.to(labels.device)
        
        one_hot.scatter_add_(1, labels, value_added)
        
        return one_hot
        
    def _smooth_label(self, target, length, smooth_factor): 
        """convert targets to one-hot format, and smooth  
        them.  
        Args:      
            target: target in form with [label1, label2, label_batchsize]        
            length: length of one-hot format(number of classes)         
            smooth_factor: smooth factor for label smooth
       
       Returns:        
           smoothed labels in one hot format   
       "
""    
       one_hot = self._one_hot(target, length, value=1 - smooth_factor)      
       one_hot += smooth_factor / (length - 1)
       
       return one_hot.to(target.device)
       
    def forward(self, x, target):
    
        if x.size(0) != target.size(0):      
            raise ValueError('Expected input batchsize ({}) to match target batch_size({})'                
                    .format(x.size(0), target.size(0)))
                    
        if x.dim() < 2:       
            raise ValueError('Expected input tensor to have least 2 dimensions(got {})'       
                    .format(x.size(0)))
                    
        if x.dim() != 2:     
            raise ValueError('Only 2 dimension tensor are implemented, (got {})'           
                    .format(x.size()))

        smoothed_target = self._smooth_label(target, x.size(1), self.e)     
        x = self.log_softmax(x)   
        loss = torch.sum(- x * smoothed_target, dim=1)
        
        if self.reduction == 'none':         
            return loss
            
        elif self.reduction == 'sum':        
            return torch.sum(loss)
            
        elif self.reduction == 'mean':      
            return torch.mean(loss)
            
        else:         
            raise ValueError('unrecognized option, expect reduction to be one of none, mean, sum')

或者直接在训练文件里做label smoothing

for images, labels in train_loader:  
    images, labels = images.cuda(), labels.cuda()  
    N = labels.size(0) 
    # C is the number of classes.  
    smoothed_labels = torch.full(size=(N, C), fill_value=0.1 / (C - 1)).cuda()  
    smoothed_labels.scatter_(dim=1, index=torch.unsqueeze(labels, dim=1), value=0.9)
    
    score = model(images)  
    log_prob = torch.nn.functional.log_softmax(score, dim=1)  
    loss = -torch.sum(log_prob * smoothed_labels) / N   
    optimizer.zero_grad()  
    loss.backward() 
    optimizer.step()

Mixup训练

beta_distribution = torch.distributions.beta.Beta(alpha, alpha)
for images, labels in train_loader:  
    images, labels = images.cuda(), labels.cuda()   
    
    # Mixup images and labels.  
    lambda_ = beta_distribution.sample([]).item()   
    index = torch.randperm(images.size(0)).cuda()  
    mixed_images = lambda_ * images + (1 - lambda_) * images[index, :]  
    label_a, label_b = labels, labels[index]  
    
    # Mixup loss.  
    scores = model(mixed_images) 
    loss = (lambda_ * loss_function(scores, label_a)     
            + (1 - lambda_) * loss_function(scores, label_b))  
    optimizer.zero_grad() 
    loss.backward()  
    optimizer.step()

L1 正则化

l1_regularization = torch.nn.L1Loss(reduction='sum')
loss = ...  # Standard cross-entropy loss
for param in model.parameters():  
    loss += torch.sum(torch.abs(param))
loss.backward()

不对偏置项进行权重衰减(weight decay)

pytorch里的weight decay相当于l2正则

bias_list = (param for name, param in model.named_parameters() if name[-4:] == 'bias')
others_list = (param for name, param in model.named_parameters() if name[-4:] != 'bias')
parameters = [{'parameters': bias_list, 'weight_decay': 0},                            
              {'parameters': others_list}]
optimizer = torch.optim.SGD(parameters, lr=1e-2, momentum=0.9, weight_decay=1e-4)

梯度裁剪(gradient clipping)

torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=20)

得到当前学习率

# If there is one global learning rate (which is the common case).
lr = next(iter(optimizer.param_groups))['lr']

# If there are multiple learning rates for different layers.
all_lr = []
for param_group in optimizer.param_groups:  
    all_lr.append(param_group['lr'])

另一种方法,在一个batch训练代码里,当前的lr是optimizer.param_groups[0]['lr']

学习率衰减

# Reduce learning rate when validation accuarcy plateau.
scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='max', patience=5, verbose=True)
for t in range(0, 80):  
    train(...)   
    val(...)  
    scheduler.step(val_acc)
    
# Cosine annealing learning rate.
scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=80)
# Reduce learning rate by 10 at given epochs.
scheduler = torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones=[50, 70], gamma=0.1)
for t in range(0, 80):  
    scheduler.step()    
    train(...)  
    val(...)
    
# Learning rate warmup by 10 epochs.
scheduler = torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda=lambda t: t / 10)
for t in range(0, 10):  
    scheduler.step()  
    train(...)  
    val(...)

优化器链式更新

从1.4版本开始,torch.optim.lr_scheduler 支持链式更新(chaining),即用户可以定义两个 schedulers,并交替在训练中使用。

import torch
from torch.optim import SGD
from torch.optim.lr_scheduler import ExponentialLR, StepLR
model = [torch.nn.Parameter(torch.randn(2, 2, requires_grad=True))]
optimizer = SGD(model, 0.1)
scheduler1 = ExponentialLR(optimizer, gamma=0.9)
scheduler2 = StepLR(optimizer, step_size=3, gamma=0.1)
for epoch in range(4):  
    print(epoch, scheduler2.get_last_lr()[0]) 
    optimizer.step()  
    scheduler1.step()  
    scheduler2.step()

模型训练可视化

PyTorch可以使用tensorboard来可视化训练过程。

安装和运行TensorBoard。

pip install tensorboard
tensorboard --logdir=runs

使用SummaryWriter类来收集和可视化相应的数据,放了方便查看,可以使用不同的文件夹,比如'Loss/train'和'Loss/test'。

from torch.utils.tensorboard import SummaryWriter
import numpy as np

writer = SummaryWriter()

for n_iter in range(100):  
    writer.add_scalar('Loss/train', np.random.random(), n_iter)   
    writer.add_scalar('Loss/test', np.random.random(), n_iter)   
    writer.add_scalar('Accuracy/train', np.random.random(), n_iter)  
    writer.add_scalar('Accuracy/test', np.random.random(), n_iter)

保存与加载断点

注意为了能够恢复训练,我们需要同时保存模型和优化器的状态,以及当前的训练轮数。

start_epoch = 0
# Load checkpoint.
if resume: # resume为参数,第一次训练时设为0,中断再训练时设为1  
    model_path = os.path.join('model''best_checkpoint.pth.tar')  
    assert os.path.isfile(model_path) 
    checkpoint = torch.load(model_path)  
    best_acc = checkpoint['best_acc']  
    start_epoch = checkpoint['epoch']  
    model.load_state_dict(checkpoint['model'])   
    optimizer.load_state_dict(checkpoint['optimizer'])  
    print('Load checkpoint at epoch {}.'.format(start_epoch)) 
    print('Best accuracy so far {}.'.format(best_acc))
    
# Train the model
for epoch in range(start_epoch, num_epochs):    
    ... 
    
    # Test the model  
    ...
    
    # save checkpoint  
    is_best = current_acc > best_acc   
    best_acc = max(current_acc, best_acc) 
    checkpoint = {   
        'best_acc': best_acc,   
        'epoch': epoch + 1,   
        'model': model.state_dict(),   
        'optimizer': optimizer.state_dict(),   
    }  
    model_path = os.path.join('model''checkpoint.pth.tar')    
    best_model_path = os.path.join('model''best_checkpoint.pth.tar'
    torch.save(checkpoint, model_path)  
    if is_best:    
        shutil.copy(model_path, best_model_path)

提取 ImageNet 预训练模型某层的卷积特征

# VGG-16 relu5-3 feature.
model = torchvision.models.vgg16(pretrained=True).features[:-1]
# VGG-16 pool5 feature.
model = torchvision.models.vgg16(pretrained=True).features
# VGG-16 fc7 feature.
model = torchvision.models.vgg16(pretrained=True)
model.classifier = torch.nn.Sequential(*list(model.classifier.children())[:-3])
# ResNet GAP feature.
model = torchvision.models.resnet18(pretrained=True)
model = torch.nn.Sequential(collections.OrderedDict(   
    list(model.named_children())[:-1]))
    
with torch.no_grad():  
    model.eval()  
    conv_representation = model(image)

提取 ImageNet 预训练模型多层的卷积特征

class FeatureExtractor(torch.nn.Module): 
    """Helper class to extract several convolution features from the given   
    pre-trained model.
    
    Attributes:   
        _model, torch.nn.Module.    
        _layers_to_extract, list<str> or set<str>
        
    Example:     
        >>> model = torchvision.models.resnet152(pretrained=True)     
        >>> model = torch.nn.Sequential(collections.OrderedDict(          
                list(model.named_children())[:-1]))    
        >>> conv_representation = FeatureExtractor(     
                pretrained_model=model,           
                layers_to_extract={'layer1', 'layer2', 'layer3', 'layer4'})(image)  
    "
""  
    def __init__(self, pretrained_model, layers_to_extract):       
        torch.nn.Module.__init__(self)   
        self._model = pretrained_model   
        self._model.eval()   
        self._layers_to_extract = set(layers_to_extract)
        
    def forward(self, x):    
        with torch.no_grad():     
           conv_representation = []       
           for name, layer in self._model.named_children():           
               x = layer(x)       
               if name in self._layers_to_extract:   
                   conv_representation.append(x)    
            return conv_representation

微调全连接层

model = torchvision.models.resnet18(pretrained=True)
for param in model.parameters():  
    param.requires_grad = False
model.fc = nn.Linear(512, 100)  # Replace the last fc layer
optimizer = torch.optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9, weight_decay=1e-4)

以较大学习率微调全连接层,较小学习率微调卷积层

model = torchvision.models.resnet18(pretrained=True)
finetuned_parameters = list(map(id, model.fc.parameters()))
conv_parameters = (p for p in model.parameters() if id(p) not in finetuned_parameters)
parameters = [{'params': conv_parameters, 'lr': 1e-3},    
              {'params': model.fc.parameters()}]
optimizer = torch.optim.SGD(parameters, lr=1e-2, momentum=0.9, weight_decay=1e-4)

6. 其他注意事项

不要使用太大的线性层。因为nn.Linear(m,n)使用的是的内存,线性层太大很容易超出现有显存。

不要在太长的序列上使用RNN。因为RNN反向传播使用的是BPTT算法,其需要的内存和输入序列的长度呈线性关系。

model(x) 前用 model.train() 和 model.eval() 切换网络状态。

不需要计算梯度的代码块用 with torch.no_grad() 包含起来。

model.eval() 和 torch.no_grad() 的区别在于,model.eval() 是将网络切换为测试状态,例如 BN 和dropout在训练和测试阶段使用不同的计算方法。torch.no_grad() 是关闭 PyTorch 张量的自动求导机制,以减少存储使用和加速计算,得到的结果无法进行 loss.backward()。

model.zero_grad()会把整个模型的参数的梯度都归零, 而optimizer.zero_grad()只会把传入其中的参数的梯度归零.

torch.nn.CrossEntropyLoss 的输入不需要经过 Softmax。torch.nn.CrossEntropyLoss 等价于 torch.nn.functional.log_softmax + torch.nn.NLLLoss。

loss.backward() 前用 optimizer.zero_grad() 清除累积梯度。

torch.utils.data.DataLoader 中尽量设置 pin_memory=True,对特别小的数据集如 MNIST 设置 pin_memory=False 反而更快一些。num_workers 的设置需要在实验中找到最快的取值。

用 del 及时删除不用的中间变量,节约 GPU 存储。

使用 inplace 操作可节约 GPU 存储,如

x = torch.nn.functional.relu(x, inplace=True)

减少 CPU 和 GPU 之间的数据传输。例如如果你想知道一个 epoch 中每个 mini-batch 的 loss 和准确率,先将它们累积在 GPU 中等一个 epoch 结束之后一起传输回 CPU 会比每个 mini-batch 都进行一次 GPU 到 CPU 的传输更快。

使用半精度浮点数 half() 会有一定的速度提升,具体效率依赖于 GPU 型号。需要小心数值精度过低带来的稳定性问题。

时常使用 assert tensor.size() == (N, D, H, W) 作为调试手段,确保张量维度和你设想中一致。

除了标记 y 外,尽量少使用一维张量,使用 n*1 的二维张量代替,可以避免一些意想不到的一维张量计算结果。

统计代码各部分耗时

with torch.autograd.profiler.profile(enabled=True, use_cuda=False) as profile:  
    ...
print(profile)

# 或者在命令行运行
python -m torch.utils.bottleneck main.py
使用TorchSnooper来调试PyTorch代码,程序在执行的时候,就会自动 print 出来每一行的执行结果的 tensor 的形状、数据类型、设备、是否需要梯度的信息。
# pip install torchsnooper
import torchsnooper

# 对于函数,使用修饰器
@torchsnooper.snoop()

# 如果不是函数,使用 with 语句来激活 TorchSnooper,把训练的那个循环装进 with 语句中去。
with torchsnooper.snoop():  
    原本的代码

https://github.com/zasdfgbnm/TorchSnoopergithub.com

模型可解释性,使用captum库:https://captum.ai/captum.ai

参考资料

  1. 张皓:PyTorch Cookbook(常用代码段整理合集),https://zhuanlan.zhihu.com/p/59205847?
  2. PyTorch官方文档和示例
  3. https://pytorch.org/docs/stable/notes/faq.html
  4. https://github.com/szagoruyko/pytorchviz
  5. https://github.com/sksq96/pytorch-summary

作者:Jack Stark

https://zhuanlan.zhihu.com/p/104019160


- EOF -

推荐阅读  点击标题可跳转

1、使用 LSTM 进行新冠病例预测(Pytorch)

2、保姆级教程,用 PyTorch 构建第一个神经网络

3、2022 年了,PyTorch 和 TensorFlow 你选哪个?


觉得本文对你有帮助?请分享给更多人

推荐关注「Python开发者」,提升Python技能


点赞和在看就是最大的支持❤️

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存