建立完整模型的流程

本小结通过 API 运行机器学习中的常见任务。请参考每个部分中的链接来深入了解。

一、处理数据

PyTorch 有两个原语来处理数据: torch.utils.data.DateLoader和 torch.utils.data.DataSet集。DataSet数据集存储样本及其对应的标签，DataLoader 围绕DataSet数据集进行迭代。

%matplotlib inline
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda, Compose
import matplotlib.pyplot as plt

PyTorch 提供不同领域(信息类型)的库，如 TorchText、 TorchVision 和 TorchAudio，所有这些都包含数据集。对于本教程，我们将使用TorchVision dataset。

torchvision.datasets数据集模块包含许多真实世界的视觉数据的 Dataset 对象，比如 CIFAR 和 COCO。在本教程中，我们将使用 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。

# 从开源数据集中导入训练集和测试集
# 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(),
)

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

我们将 Dataset 作为参数传递给 DataLoader。DataLoader包装了一个遍历数据集的迭代器，并支持自动批处理、采样、洗牌(重置顺序)和多进程数据加载。这里我们定义了一个64的批量大小，也就是说，dataloader 迭代器中的每个元素都将返回一个包含64个特征和标签的批量。

# 批量大小
batch_size = 64

# 为训练集和测试集分别定义量数据载入器，并将批量大小统一为 64
train_dataloader = DataLoader(training_data, batch_size=batch_size)
test_dataloader = DataLoader(test_data, batch_size=batch_size)

# for循环只遍历一次，因为test_dataloader是一个迭代器?不能直接获取到其中的数据
for X, y in test_dataloader:
    print("Shape of X [N, C, H, W]: ", X.shape)
    print("Shape of y: ", y.shape, y.dtype)
    break

# 自用方法
# X 是一批大小为64 的灰度图像的Tensor阵列， y则是这一批的分类编号
# X,y = next(iter(test_dataloader))    
# print("Shape of X [N, C, H, W]: ", X.shape)
# print("Shape of y: ", y.shape, y.dtype)
    
# Display sample data
figure = plt.figure(figsize=(10, 8))
cols, rows = 5, 5
# 随机从测试集中挑出25个样本并显示
for i in range(1, cols * rows + 1):
    # randint 第一二个参数是数据范围，第三个参数size是阵列尺寸
    idx = torch.randint(len(test_data), size=(1,)).item()
    img, label = test_data[idx]
    # 绘出图像并号
    figure.add_subplot(rows, cols, i)
    plt.title(classes[label])
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")
plt.show()

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

二、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 nn.Module 的类。我们在类中的 init 函数中定义网络的层次结构，并在 forward 函数中指定数据如何通过网络传递。为了加快神经网络的运算速度，我们将其移动到 GPU (如果可用的话)。

# Get cpu or gpu device for training.
device = "cuda" if torch.cuda.is_available() else "cpu"
print("Using {} device".format(device))

# Define model
class NeuralNetwork(nn.Module):
    def __init__(self):
        # 重写父类__init__()方法
        super(NeuralNetwork, self).__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),
            nn.ReLU()
        )

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

# 实例化nn类，并传入到处理设备
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)
    (5): ReLU()
  )
)

三、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。我们将使用 nn.CrossEntropyLoss衡量代价、用Stochastic Gradient Descent随机梯度下降优化参数。

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

在单个训练回路中，模型对训练数据集进行预测(成批地提供给它) ，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)
    # 为了获取批量序号
    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
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

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

我们还可以根据测试数据集检查模型的性能，以确保它进行学习。

def test(dataloader, model):
    size = len(dataloader.dataset)
    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 /= size
    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(Epoch)中进行。在每个历元期间，模型学习参数以做出更好的预测。我们为每个历元打印模型的精度和损失，我们希望看到每个历元的精度增加，同时损失减少。

epochs = 15
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train(train_dataloader, model, loss_fn, optimizer)
    test(test_dataloader, model)
print("Done!")

Epoch 1
-------------------------------
loss: 2.307334  [    0/60000]
loss: 2.300284  [ 6400/60000]
loss: 2.293255  [12800/60000]
loss: 2.289985  [19200/60000]
loss: 2.277252  [25600/60000]
loss: 2.272306  [32000/60000]
loss: 2.267142  [38400/60000]
loss: 2.256881  [44800/60000]
loss: 2.272934  [51200/60000]
loss: 2.244935  [57600/60000]
Test Error: 
 Accuracy: 31.6%, Avg loss: 0.035337 

Epoch 2
-------------------------------
loss: 2.258322  [    0/60000]
loss: 2.251287  [ 6400/60000]
loss: 2.230875  [12800/60000]
loss: 2.236831  [19200/60000]
loss: 2.203517  [25600/60000]
loss: 2.197385  [32000/60000]
loss: 2.184278  [38400/60000]
loss: 2.169432  [44800/60000]
loss: 2.216836  [51200/60000]
loss: 2.152444  [57600/60000]
Test Error: 
 Accuracy: 32.4%, Avg loss: 0.034096 

...

Epoch 14
-------------------------------
loss: 1.282570  [    0/60000]
loss: 1.347690  [ 6400/60000]
loss: 1.175048  [12800/60000]
loss: 1.309883  [19200/60000]
loss: 1.295226  [25600/60000]
loss: 1.137990  [32000/60000]
loss: 1.314080  [38400/60000]
loss: 1.276536  [44800/60000]
loss: 1.269239  [51200/60000]
loss: 1.236233  [57600/60000]
Test Error: 
 Accuracy: 56.6%, Avg loss: 0.020274 

Epoch 15
-------------------------------
loss: 1.250650  [    0/60000]
loss: 1.326231  [ 6400/60000]
loss: 1.147017  [12800/60000]
loss: 1.288307  [19200/60000]
loss: 1.276807  [25600/60000]
loss: 1.116158  [32000/60000]
loss: 1.297031  [38400/60000]
loss: 1.259063  [44800/60000]
loss: 1.242370  [51200/60000]
loss: 1.223260  [57600/60000]
Test Error: 
 Accuracy: 58.0%, Avg loss: 0.019969 

Done!

可以看出，精度结果也是不行： 0.58，可能需要更多轮的训练循环

最初的准确性不会很好(没关系!).尝试运行更多的Epoch循环或调整学习速度到一个更大的数字。我们选择的模型配置也可能不是此类问题的最佳配置。后面的课程将更深入地研究用于解决视觉问题的模型形态。

四、保存模型

保存模型的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(), "data/model.pth")
print("Saved PyTorch Model State to model.pth")

Saved PyTorch Model State to model.pth

五、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()
model.load_state_dict(torch.load("data/model.pth"))

<All keys matched successfully>

加载完毕(骨架和血肉都构建完整)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():
    pred = model(x)
    predicted, actual = classes[pred[0].argmax(0)], classes[y]
    print(f'Predicted: "{predicted}", Actual: "{actual}"')

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

总结

在这个模块中，我们介绍了使用神经网络建立机器学习模型的关键概念，并用 PyTorch 实现了这些概念。我们建立了一个图像识别模型，可以对图像进行分类，例如: t 恤/上衣、裤子、套头衫、连衣裙、外套、凉鞋、衬衫、运动鞋、包和踝靴。
你学到了以下几个关键领域:
1. 如何使用张量与 cpu 和 gpu
2. 如何管理、缩放和规范化你的数据集
3. 如何使用神经网络建立模型
4. 如何优化模型
5. 如何优化模型推理

PyTorch 07 - The full model building process & Summary