PyTorch 3 - 模型相关方法
文章目录
- 创建模型
- 模型初始化、参数
- 保存/加载模型
- 自动求导
- 梯度函数
- 损失函数
- mse
- 二分类 bce
- 多分类
- 模块的组合
- ONNX
- 将 pytorch model 转为 onnx 格式
- 将 caffee2 导入 onnx 模型
- 使用 onnx 将 pytorch 模型迁移到 Core ML
创建模型
如,创建线性模型
class LinearModel(nn.Module):def __init__(self, ndim):super(LinearModel, self).__init__()self.ndim = ndimself.weight = nn.Parameter(torch.randn(ndim, 1))self.bias = nn.Parameter(torch.randn(1)) def forward(self, x):return x.mm(self.weight) + self.bias
模型初始化、参数
## 模型初始化
lm = LinearModel(5) # 特征数为 5
x = torch.randn(4, 5) # 迷你批次大小为 4
lm(x)
'''
tensor([[-3.0970],[-2.9674],[ 3.3265],[ 4.1923]], grad_fn=<AddBackward0>)
'''
x
'''
tensor([[-0.3725, -1.7013, -2.6523, -0.8103, -0.1179],[-1.1700, 0.0091, -0.0386, -1.3510, 0.9027],[ 1.5329, 0.9760, -0.4165, 0.2783, -0.6180],[ 1.0752, 0.0267, 0.9067, 2.2452, 0.6527]])
'''# 获取模型参数(带名字)的生成器
lm.named_parameters()
'''
<generator object Module.named_parameters at 0x7ffa27d46c50>
list(lm.named_parameters() )
[('weight', Parameter containing:tensor([[2.2394],[0.2185],[0.5514],[0.4709],[0.3480]], requires_grad=True)), ('bias', Parameter containing:tensor([-0.0059], requires_grad=True))]
'''# 获取模型参数(不带名字)的生成器
lm.parameters()
'''
<generator object Module.parameters at 0x7ffa29907d50>
list(lm.parameters() )
[Parameter containing:tensor([[2.2394],[0.2185],[0.5514],[0.4709],[0.3480]], requires_grad=True), Parameter containing:tensor([-0.0059], requires_grad=True)]
'''lm.half() # 转换模型参数为半精度浮点数
'''
LinearModel()
list(lm.parameters())
[Parameter containing:tensor([[2.2402],[0.2185],[0.5513],[0.4709],[0.3479]], dtype=torch.float16, requires_grad=True),Parameter containing:tensor([-0.0059], dtype=torch.float16, requires_grad=True)]
lm.parameters
<bound method Module.parameters of LinearModel()>
'''
from sklearn.datasets import load_boston
boston = load_boston()
lm = LinearModel(13)
criterion = nn.MSELoss()
# 优化器
optim = torch.optim.SGD(lm.parameters(), lr=1e-6)
optim
'''
SGD (
Parameter Group 0dampening: 0lr: 1e-06momentum: 0nesterov: Falseweight_decay: 0
)
'''
data = torch.tensor(boston['data'], requires_grad=True, dtype=torch.float32)
data
'''
tensor([[6.3200e-03, 1.8000e+01, 2.3100e+00, ..., 1.5300e+01, 3.9690e+02,4.9800e+00],...[4.7410e-02, 0.0000e+00, 1.1930e+01, ..., 2.1000e+01, 3.9690e+02,7.8800e+00]], requires_grad=True)
'''
target = torch.tensor(boston['target'], dtype=torch.float32)
for step in range(10000):predict = lm(data)loss = criterion(predict, target)if step and step%1000 == 0:print('-- loss : {:.3f}'.format(loss.item()) ) # 可以发现损失函数在逐层下降 optim.zero_grad()loss.backward() # 计算所有参数当前反向传播的梯度optim.step()
'''
/Users/xx/opt/anaconda3/lib/python3.7/site-packages/torch/nn/modules/loss.py:446: UserWarning: Using a target size (torch.Size([506])) that is different to the input size (torch.Size([506, 1])). This will likely lead to incorrect results due to broadcasting. Please ensure they have the same size.return F.mse_loss(input, target, reduction=self.reduction)
-- loss : 224.251
-- loss : 150.535
-- loss : 143.163
-- loss : 138.828
-- loss : 135.080
-- loss : 131.752
-- loss : 128.779
-- loss : 126.110
-- loss : 123.706
'''optim.state_dict()
'''
{'state': {},'param_groups': [{'lr': 1e-06,'momentum': 0,'dampening': 0,'weight_decay': 0,'nesterov': False,'params': [0, 1]}]}
'''
保存/加载模型
save_info = {'iter_num': 10000, 'optimizer': optim.state_dict(),'model': lm.state_dict(),}save_info
'''
{'iter_num': 10000,'optimizer': {'state': {},'param_groups': [{'lr': 1e-06,'momentum': 0,'dampening': 0,'weight_decay': 0,'nesterov': False,'params': [0, 1]}]},'model': OrderedDict([('weight', tensor([[-0.0506],[ 0.1244],[ 0.9757],[-1.9508],[-0.1465],[-1.9823],[ 0.0850],[ 0.4799],[-0.3672],[ 0.0141],[ 0.4012],[ 0.0298],[-0.5437]])), ('bias', tensor([1.5198]))])}
'''save_path = 'model1.txt'
torch.save(save_info, save_path) save_info1 = torch.load(save_path)
save_info1
'''
{'iter_num': 10000,'optimizer': {'state': {},'param_groups': [{'lr': 1e-06,'momentum': 0,'dampening': 0,'weight_decay': 0,'nesterov': False,'params': [0, 1]}]},'model': OrderedDict([('weight', tensor([[-0.0506],[ 0.1244],[ 0.9757],[-1.9508],[-0.1465],[-1.9823],[ 0.0850],[ 0.4799],[-0.3672],[ 0.0141],[ 0.4012],[ 0.0298],[-0.5437]])), ('bias', tensor([1.5198]))])}'''# 载入信息
optim.load_state_dict(save_info1['optimizer'])
lm.load_state_dict(save_info1['model'])
<All keys matched successfully>
自动求导
import torch
t1 = torch.randn(3, 3, requires_grad=True)
'''
tensor([[-0.4336, -0.1928, 0.3398],[-0.5616, 0.1290, 0.8002],[-1.1966, 1.4117, -0.3643]], requires_grad=True)
''' t2 = t1.pow(2)
'''
tensor([[0.1880, 0.0372, 0.1154],[0.3154, 0.0166, 0.6403],[1.4319, 1.9929, 0.1327]], grad_fn=<PowBackward0>)
'''t2 = t2.sum() # tensor(4.8705, grad_fn=<SumBackward0>)t2.backward()t1.grad # x^2 倒数为 2x, 此处结果是原始分量的 2 倍
'''
tensor([[-0.8671, -0.3855, 0.6795],[-1.1232, 0.2580, 1.6004],[-2.3932, 2.8234, -0.7287]])
''' t1.grad.zero_() # 单个张量清零梯度
'''
tensor([[0., 0., 0.],[0., 0., 0.],[0., 0., 0.]])
'''
梯度函数
t1 = torch.randn(3, 3, requires_grad=True)
'''
tensor([[ 1.3203, -0.6757, 1.4479],[ 0.6133, -0.8377, -0.9381],[ 0.3214, 0.9020, 0.1285]], requires_grad=True)
'''
t2 = t1.sum() # tensor(2.2819, grad_fn=<SumBackward0>)with torch.no_grad():t3 = t1.sum()t3 # tensor(2.2819)
t1.sum() # tensor(2.2819, grad_fn=<SumBackward0>)# 和原来的计算图分离
t1.sum().detach() # tensor(2.2819)
损失函数
mse
import torch.nn as nn
import torch mse = nn.MSELoss()
t1 = torch.randn(5, requires_grad=True)t2 = torch.randn(5, requires_grad=True)# t1 tensor([-0.5326, -2.1040, -0.0849, 0.0078, -0.3299], requires_grad=True)
# t2 tensor([-0.3427, 0.5773, -0.8011, -0.6496, -0.9095], requires_grad=True)mse(t1, t2)
# tensor(1.7013, grad_fn=<MseLossBackward>)
二分类 bce
t1 = torch.randn(5, requires_grad=True)
# t1 tensor([ 0.3398, 0.8650, -1.2867, -1.4845, 0.6145], requires_grad=True)# 分类标签概率值
t1s = torch.sigmoid(t1) # 求 sigmoid 函数,转化为 (0,1) 之间的概率
# t1s tensor([0.5841, 0.7037, 0.2164, 0.1847, 0.6490], grad_fn=<SigmoidBackward>)# 目标数据值;随机生成 0,1 的整数序列,并转化为浮点数
t2 = torch.randint(0, 2, (5, )).float()
# t2 tensor([1., 0., 1., 1., 0.])bce = nn.BCELoss()
bce(t1s, t2) # 计算二分类的交叉熵;接收的两个参数都必须是浮点数
# tensor(1.2041, grad_fn=<BinaryCrossEntropyBackward>)# 对数(Logits)交叉损失函数;可以直接省略 sigmoid 计算部分;自动在函数内部添加 sigmoid 激活函数;
# 在训练时,使用这个函数可以增加计算数值的稳定性。
bce_logits = nn.BCEWithLogitsLoss()
bce_logits(t1, t2) # 与上方结果一致
# tensor(1.2041, grad_fn=<BinaryCrossEntropyWithLogitsBackward>)
多分类
N = 10 # 分类数目
t1 = torch.randn(5, N, requires_grad=True)
t2 = torch.randint(0, N, (5, ))
# t2 tensor([7, 5, 3, 2, 5])t1s = nn.functional.log_softmax(t1, -1)# 负对数似然函数。
# 根据预测值(经过 softmax 的计算和对数计算) 和目标值(使用独热编码)计算这两个值 按照一一对应的乘积,然后对乘积求和,并取负值。
# 使用它之前,必须先计算 softmax 函数取对数的结果。
n11 = nn.NLLLoss()
n11(t1s, t2)
# tensor(2.3953, grad_fn=<NllLossBackward>)# 可以避免 LogSoftmax 计算
# 在损失函数中整合 Softmax 输出概率,以及对概率取对数输出损失函数
ce = nn.CrossEntropyLoss()
ce(t1, t2)
# tensor(2.3953, grad_fn=<NllLossBackward>)
模块的组合
顺序模块构建
## 方式一:使用参数来构建顺序模型model = nn.Sequential(nn.Conv2d(1, 20, 5),nn.ReLU(),nn.Conv2d(20, 64, 5),nn.ReLU()
)## 方式二:使用顺序字典来构建顺序模型
model = nn.Sequential(OrderedDict([('conv1', nn.Conv2d(1, 20, 5)), ('relu1', nn.ReLU()), ('conv2', nn.Conv2d(20, 64, 5)), ('relu2', nn.ReLU()), ])
)
ONNX
ONNX : Open Neural Network Exchange,开放神经网络交换格式;
由微软和 Facebook 共同发布,目的在于解决深度学习框架之间的模型迁移问题。
使用 protobuf 二进制格式来序列化模型。
主页:https://github.com/onnx
预训练模型:https://github.com/onnx/models
使用netron 可视化模型
在线查看:https://netron.app
安装 onnx
pip install onnx
将 pytorch model 转为 onnx 格式
import torch
import torch.onnx
import onnx
import torchvision # torchvision 中有 AlexNet 模型,令 pretrained=True 来加载已经训练好的模型参数;
torch_model = torchvision.models.alexnet(pretrained=True)
torch_model
# Downloading: "https://download.pytorch.org/models/alexnet-owt-4df8aa71.pth" to ~/.cache/torch/hub/checkpoints/alexnet-owt-4df8aa71.pth # 目前只需要推理,无需再次训练,所以传入 False;模型在推理模式下,只前向传播,不对参数进行修改。因此防止过拟合的 Dropout 也会自动取消。torch_model.train(False)# 导出模型
x = torch.randn(1, 3, 224, 224)model_path = '/Users/shushu/Documents/nlp_data/models/alexnet.onnx'# 入参:模型实例、输入值、导出onnx模型的位置和名字;verbose=True 将模型打印成可读形式;出参:模型完成的输出值(一般不需要保存)
torch_out = torch.onnx._export(torch_model, x, model_path, verbose=True)
torch_out# 导入模型
model = onnx.load(model_path)
model # 验证格式是否正确
onnx.checker.check_model(model) # 打印出模型可读的网络结构
onnx.helper.printable_graph(model.graph)
将 caffee2 导入 onnx 模型
import numpy as np
import caffe2.python.onnx.backend as onnx_caffee2_backendprepared_backed = onnx_caffee2_backend.prepare(model)W = {model.graph.input[0].name: x.data.numpy()}
c2_out = prepared_backed.run(W)[0] # 测试两种框架下输出值的区别
np.testing.assert_almost_equal(torch_out.data.cpu().numpy(), c2_out, decimal=3)
使用 onnx 将 pytorch 模型迁移到 Core ML
目前主要使用苹果官方提供的 coremltools:
https://github.com/apple/coremltools
https://coremltools.readme.io/docs/pytorch-conversion
参考教程:
- 前尘昨夜此刻 - coremltools常用操作
https://blog.csdn.net/ssunshining/article/details/116352515
旧:使用 onnx-coreml
https://github.com/onnx/onnx-coreml
# 首先,将训练好的 pytorch 模型转换成 onnx 模型model2 = torchvision.models.resnet18(pretrained=True)
model2.train(False)
model_path2 = '/Users/shushu/Documents/nlp_data/models/restnet18.onnx'x = torch.randn(1, 3, 224, 224)
torch_out = torch.onnx._export(model2, x, model_path2, verbose=True )# 如果使用 onnx-coreml
import onnx_coreml cml_model_path = '~/resnet18.mlmodel'
cml = onnx_coreml.convert(model2)
cml.save(cml_model_path)
可视化:Visdom, TensorBoard, Netron
PyTorch 3 - 模型相关方法相关推荐
- 基于pytorch的模型稀疏训练与模型剪枝示例
基于pytorch的模型稀疏训练与模型剪枝示例 稀疏训练+模型剪枝代码下载地址:下载地址 CIFAR10-VGG16BN Baseline Trained with Sparsity (1e-4) P ...
- PyTorch中模型的可复现性
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 本文转自:AI算法与图像处理 在深度学习模型的训练过程中,难免引入 ...
- pytorch计算模型参数量
1. 安装 thop 1.1 常规安装 pip install thop 1.2 若上述安装方式错误,可以参考以下方式: pip install thop-i http://pypi.douban.c ...
- 【深度学习】基于PyTorch的模型训练实用教程之数据处理
[深度学习]基于PyTorch的模型训练实用教程之数据处理 文章目录 1 transforms 的二十二个方法 2 数据加载和预处理教程 3 torchvision 4 如何用Pytorch进行文本预 ...
- PyTorch 保存模型结构参数及加载模型
PyTorch 保存模型结构参数及加载模型 保存模型与加载 保存模型分为两种方式: 保存整个网络结构和参数 保存整个网络的参数 # 1.保存并加载整个网络结构和参数 # 保存模型 torch.save ...
- pytorch保存模型pth_Day159:模型的保存与加载
网络结构和参数可以分开的保存和加载,因此,pytorch保存模型有两种方法: 保存 整个模型 (结构+参数) 只保存模型参数(官方推荐) # 保存整个网络torch.save(model, check ...
- OpenCV转换PyTorch分类模型并使用OpenCV C ++启动
OpenCV转换PyTorch分类模型并使用OpenCV C ++启动 转换PyTorch分类模型并使用OpenCV C ++启动 目标 简介 要求 实践 模型转换管道 推理管道 转换PyTorch分 ...
- OpenCV转换PyTorch分类模型并使用OpenCV Python启动
OpenCV转换PyTorch分类模型并使用OpenCV Python启动 转换PyTorch分类模型并使用OpenCV Python启动 目标 介绍 要求 实践 模型转换管道 模型评估 评估模式 测 ...
- pytorch保存模型pth_pytorch中保存的模型文件.pth深入解析
前言:前面有专门的讲解关于如何深入查询模型的参数信息,可以参考这篇文章: 沈鹏燕:pytorch教程之nn.Module类详解zhuanlan.zhihu.com 本次来解析一下我们通常保存的模型文 ...
最新文章
- Elasticsearch 参考指南(多索引)
- 浅谈Java内存泄漏问题
- “玩转课堂”软件需求规格说明
- Express 的简单使用
- 经典论文复现 | ICML 2017大热论文:Wasserstein GAN
- 美团点评CTO罗道锋确认离职,新东家是快手?
- Mr. Kitayuta‘s Technology CodeForces - 505D(并查集+拓扑排序或dfs找环) 题解
- CH552 USB HID键盘
- 前端表格里的数据不换行
- SSLOJ2895 购买干草
- Building 'xxx' Gradle project info
- 【多元统计分析】一、多元统计分析概述
- 精确Top-K检索及其加速方法探讨
- ora-00119和ora-00132问题的解决方法
- MacOs Big Sur Your Command Line Tools (CLT) does not support macOS 11.
- WebService soap报文请求与响应报文解析
- AI为啥能读懂说话人的情感?
- 设计模式-到底什么是builder模式
- Fiddle打开后,打开浏览器上不了网的问题解决
- python输出json到文件_Python:JSon输出到文件(Python : JSon Output to a file)
热门文章
- 微信小程序周报(第十期)-微信小程序联盟
- mysql 1326_Mysql应用SQL Server 出现Error: 1326错误(管理器无法连接远程数据库)问题解决方案...
- 网络安全合规-Tisax(汽车安全评估讯息交换平台)一
- MySQL数据库原理习题---SQL复杂查询
- Pocket Yoga for mac(掌上瑜伽教练软件)
- 从宴请潜规则看中国官场的酒桌文化
- Arduino 基于Stream类的函数详细说明
- 静电对电子元器件的危害,有哪些静电防护措施
- 大卫的Design Patterns学习笔记19:Observer
- iview 实现省市级联效果