來源 | 極市平臺，機器學習算法與自然語言處理

本文是PyTorch常用代碼段合集，涵蓋基本配置、張量處理、模型定義與操作、數據處理、模型訓練與測試等5個方面，還給出了多個值得注意的Tips，內容非常全面。

PyTorch最好的資料是官方文檔。本文是PyTorch常用代碼段，在參考資料[1](張皓：PyTorch Cookbook)的基礎上做了一些修補，方便使用時查閱。

01

基本配置

導入包和版本查詢

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))

可復現性

在硬件設備（CPU、GPU）不同時，完全的可復現性無法保證，即使隨機種子相同。但是，在同一個設備上，應該保證可復現性。具體做法是，在程序開始的時候固定torch的隨機種子，同時也把numpy的隨機種子固定。

np.random.seed(0) torch.manual_seed(0) torch.cuda.manual_seed_all(0)torch.backends.cudnn.deterministic = True torch.backends.cudnn.benchmark = False

顯卡設置

如果只需要一張顯卡

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

如果需要指定多張顯卡，比如0，1號顯卡。

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

也可以在命令行運行代碼時設置顯卡：

CUDA_VISIBLE_DEVICES=0,1 python train.py

清除顯存

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]

02

張量（Tensor）處理

張量的數據類型

PyTorch有9種CPU張量類型和9種GPU張量類型。

張量基本信息

tensor = torch.randn(3,4,5) print(tensor.type()) # 數據類型 print(tensor.size()) # 張量的shape，是個元組 print(tensor.dim()) # 維度的數量

命名張量

張量命名是一個非常有用的方法，這樣可以方便地使用維度的名字來做索引或其他操作，大大提高了可讀性、易用性，防止出錯。

# 在PyTorch 1.3之前，需要使用注釋 # 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) # 也可以這么設置 tensor = torch.rand(3,4,1,2,names=('C', 'N', 'H', 'W')) # 使用align_to可以對維度方便地排序 tensor = tensor.align_to('N', 'C', 'H', 'W')

數據類型轉換

# 設置默認類型，pytorch中的FloatTensor遠遠快于DoubleTensor torch.set_default_tensor_type(torch.FloatTensor)# 類型轉換 tensor = tensor.cuda() tensor = tensor.cpu() tensor = tensor.float() tensor = tensor.long()

torch.Tensor與np.ndarray轉換

除了CharTensor，其他所有CPU上的張量都支持轉換為numpy格式然后再轉換回來。

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

Torch.tensor與PIL.Image轉換

# pytorch中的張量默認采用[N, C, H, W]的順序，并且數據范圍在[0,1]，需要進行轉置和規范化 # 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與PIL.Image的轉換

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

從只包含一個元素的張量中提取值

value = torch.rand(1).item()

張量形變

# 在將卷積層輸入全連接層的情況下通常需要對張量做形變處理， # 相比torch.view，torch.reshape可以自動處理輸入張量不連續的情況。 tensor = torch.rand(2,3,4) shape = (6, 4) tensor = torch.reshape(tensor, shape)

打亂順序

tensor = tensor[torch.randperm(tensor.size(0))] # 打亂第一個維度

水平翻轉

# pytorch不支持tensor[::-1]這樣的負步長操作，水平翻轉可以通過張量索引實現 # 假設張量的維度為[N, D, H, W]. tensor = tensor[:,:,:,torch.arange(tensor.size(3) - 1, -1, -1).long()]

復制張量

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

張量拼接

''' 注意torch.cat和torch.stack的區別在于torch.cat沿著給定的維度拼接， 而torch.stack會新增一維。例如當參數是3個10x5的張量，torch.cat的結果是30x5的張量， 而torch.stack的結果是3x10x5的張量。 ''' tensor = torch.cat(list_of_tensors, dim=0) tensor = torch.stack(list_of_tensors, dim=0)

將整數標簽轉為one-hot編碼

# pytorch的標記默認從0開始 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

判斷兩個張量相等

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

張量擴展

# 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)

矩陣乘法

# 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

計算兩組數據之間的兩兩歐式距離

利用broadcast機制

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

03

模型定義和操作

一個簡單兩層卷積網絡的示例

# 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 outmodel = ConvNet(num_classes).to(device)

卷積層的計算和展示可以用這個網站輔助。

雙線性匯合（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）

當使用 torch.nn.DataParallel 將代碼運行在多張 GPU 卡上時，PyTorch 的 BN 層默認操作是各卡上數據獨立地計算均值和標準差，同步 BN 使用所有卡上的數據一起計算 BN 層的均值和標準差，緩解了當批量大小（batch size）比較小時對均值和標準差估計不準的情況，是在目標檢測等任務中一個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)

將已有網絡的所有BN層改為同步BN層

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_meansync_bn.running_var = module.running_varif module.affine:sync_bn.weight = module.weight.clone().detach()sync_bn.bias = module.bias.clone().detach()return sync_bnelse:for name, child_module in module.named_children():setattr(module, name) = convert_syncbn_model(child_module, process_group=process_group))return module

類似 BN 滑動平均

如果要實現類似 BN 滑動平均的操作，在 forward 函數中要使用原地（inplace）操作給滑動平均賦值。

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)

計算模型整體參數量

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

查看網絡中的參數

可以通過model.state_dict()或者model.named_parameters()函數查看現在的全部可訓練參數（包括通過繼承得到的父類中的參數）

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)

模型可視化（使用pytorchviz）

szagoruyko/pytorchvizgithub.com

類似 Keras 的 model.summary() 輸出模型信息，使用pytorch-summary

sksq96/pytorch-summarygithub.com

模型權重初始化

注意 model.modules() 和 model.children() 的區別：model.modules() 會迭代地遍歷模型的所有子層，而 model.children() 只會遍歷模型下的一層。

# 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)

提取模型中的某一層

modules()會返回模型中所有模塊的迭代器，它能夠訪問到最內層，比如self.layer1.conv1這個模塊，還有一個與它們相對應的是name_children()屬性以及named_modules(),這兩個不僅會返回模塊的迭代器，還會返回網絡層的名字。

# 取模型中的前兩層 new_model = nn.Sequential(*list(model.children())[:2] # 如果希望提取出模型中的所有卷積層，可以像下面這樣操作： for layer in model.named_modules():if isinstance(layer[1],nn.Conv2d):conv_model.add_module(layer[0],layer[1])

部分層使用預訓練模型

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

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

將在 GPU 保存的模型加載到 CPU

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

導入另一個模型的相同部分到新的模型

模型導入參數時，如果兩個模型結構不一致，則直接導入參數會報錯。用下面方法可以把另一個模型的相同的部分導入到新的模型中。

# model_new代表新的模型 # model_saved代表其他模型，比如用torch.load導入的已保存的模型 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)

04

數據處理

計算數據集的均值和標準差

import os import cv2 import numpy as np from torch.utils.data import Dataset from PIL import Imagedef compute_mean_and_std(dataset):# 輸入PyTorch的dataset，輸出均值和標準差mean_r = 0mean_g = 0mean_b = 0for img, _ in dataset:img = np.asarray(img) # change PIL Image to numpy arraymean_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 = 0diff_g = 0diff_b = 0N = 0for 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

得到視頻數據基本信息

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）采樣一幀視頻

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 // 2frame_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)]

常用訓練和驗證數據預處理

其中 ToTensor 操作會將 PIL.Image 或形狀為 H×W×D，數值范圍為 [0, 255] 的 np.ndarray 轉換為形狀為 D×H×W，數值范圍為 [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)), ])

05

模型訓練和調試

分類模型訓練代碼

# 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 passoutputs = model(images)loss = criterion(outputs, labels)# Backward and optimizeroptimizer.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()))

分類模型測試代碼

# Test the model model.eval() # eval mode(batch norm uses moving mean/variance #instead of mini-batch mean/variance) with torch.no_grad():correct = 0total = 0for 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))

自定義loss

繼承torch.nn.Module類寫自己的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

標簽平滑（label smoothing）

寫一個label_smoothing.py的文件，然后在訓練代碼里引用，用LSR代替交叉熵損失即可。label_smoothing.py內容如下：

import torch import torch.nn as nnclass LSR(nn.Module):def __init__(self, e=0.1, reduction='mean'):super().__init__()self.log_softmax = nn.LogSoftmax(dim=1)self.e = eself.reduction = reductiondef _one_hot(self, labels, classes, value=1):"""Convert labels to one hot vectorsArgs:labels: torch tensor in format [label1, label2, label3, ...]classes: int, number of classesvalue: label value in one hot vector, default to 1Returns:return one hot format labels in shape [batchsize, classes]"""one_hot = torch.zeros(labels.size(0), classes)#labels and value_added size must matchlabels = 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_hotdef _smooth_label(self, target, length, smooth_factor):"""convert targets to one-hot format, and smooththem.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 smoothReturns: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 losselif 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')

或者直接在訓練文件里做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) / Noptimizer.zero_grad()loss.backward()optimizer.step()

Mixup訓練

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 正則化

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()

不對偏置項進行權重衰減（weight decay）

pytorch里的weight decay相當于l2正則

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)

得到當前學習率

# 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'])

另一種方法，在一個batch訓練代碼里，當前的lr是optimizer.param_groups[0]['lr']

學習率衰減

# 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(...)

優化器鏈式更新

從1.4版本開始，torch.optim.lr_scheduler 支持鏈式更新（chaining），即用戶可以定義兩個 schedulers，并交替在訓練中使用。

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()

模型訓練可視化

PyTorch可以使用tensorboard來可視化訓練過程。

安裝和運行TensorBoard。

pip install tensorboard tensorboard --logdir=runs

使用SummaryWriter類來收集和可視化相應的數據，放了方便查看，可以使用不同的文件夾，比如'Loss/train'和'Loss/test'。

from torch.utils.tensorboard import SummaryWriter import numpy as npwriter = 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)

保存與加載斷點

注意為了能夠恢復訓練，我們需要同時保存模型和優化器的狀態，以及當前的訓練輪數。

start_epoch = 0 # Load checkpoint. if resume: # resume為參數，第一次訓練時設為0，中斷再訓練時設為1model_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 checkpointis_best = current_acc > best_accbest_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 預訓練模型某層的卷積特征

# 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 預訓練模型多層的卷積特征

class FeatureExtractor(torch.nn.Module):"""Helper class to extract several convolution features from the givenpre-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_modelself._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

微調全連接層

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)

以較大學習率微調全連接層，較小學習率微調卷積層

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)

06

其他注意事項

不要使用太大的線性層。因為nn.Linear(m,n)使用的是的內存，線性層太大很容易超出現有顯存。

不要在太長的序列上使用RNN。因為RNN反向傳播使用的是BPTT算法，其需要的內存和輸入序列的長度呈線性關系。

model(x) 前用 model.train() 和 model.eval() 切換網絡狀態。

不需要計算梯度的代碼塊用 with torch.no_grad() 包含起來。

model.eval() 和 torch.no_grad() 的區別在于，model.eval() 是將網絡切換為測試狀態，例如 BN 和dropout在訓練和測試階段使用不同的計算方法。torch.no_grad() 是關閉 PyTorch 張量的自動求導機制，以減少存儲使用和加速計算，得到的結果無法進行 loss.backward()。

model.zero_grad()會把整個模型的參數的梯度都歸零, 而optimizer.zero_grad()只會把傳入其中的參數的梯度歸零.

torch.nn.CrossEntropyLoss 的輸入不需要經過 Softmax。torch.nn.CrossEntropyLoss 等價于 torch.nn.functional.log_softmax + torch.nn.NLLLoss。

loss.backward() 前用 optimizer.zero_grad() 清除累積梯度。

torch.utils.data.DataLoader 中盡量設置 pin_memory=True，對特別小的數據集如 MNIST 設置 pin_memory=False 反而更快一些。num_workers 的設置需要在實驗中找到最快的取值。

用 del 及時刪除不用的中間變量，節約 GPU 存儲。

使用 inplace 操作可節約 GPU 存儲，如

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

減少 CPU 和 GPU 之間的數據傳輸。例如如果你想知道一個 epoch 中每個 mini-batch 的 loss 和準確率，先將它們累積在 GPU 中等一個 epoch 結束之后一起傳輸回 CPU 會比每個 mini-batch 都進行一次 GPU 到 CPU 的傳輸更快。

使用半精度浮點數 half() 會有一定的速度提升，具體效率依賴于 GPU 型號。需要小心數值精度過低帶來的穩定性問題。

時常使用 assert tensor.size() == (N, D, H, W) 作為調試手段，確保張量維度和你設想中一致。

除了標記 y 外，盡量少使用一維張量，使用 n*1 的二維張量代替，可以避免一些意想不到的一維張量計算結果。

統計代碼各部分耗時

with torch.autograd.profiler.profile(enabled=True, use_cuda=False) as profile: ...print(profile)# 或者在命令行運行python -m torch.utils.bottleneck main.py

使用TorchSnooper來調試PyTorch代碼，程序在執行的時候，就會自動 print 出來每一行的執行結果的 tensor 的形狀、數據類型、設備、是否需要梯度的信息。

# pip install torchsnooperimport torchsnooper# 對于函數，使用修飾器@torchsnooper.snoop()# 如果不是函數，使用 with 語句來激活 TorchSnooper，把訓練的那個循環裝進 with 語句中去。with torchsnooper.snoop(): 原本的代碼

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

模型可解釋性，使用captum庫：https://captum.ai/captum.ai

參考資料

張皓：PyTorch Cookbook（常用代碼段整理合集），https://zhuanlan.zhihu.com/p/59205847?

PyTorch官方文檔和示例

https://pytorch.org/docs/stable/notes/faq.html

https://github.com/szagoruyko/pytorchviz

https://github.com/sksq96/pytorch-summary

其他

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載黃海廣老師《機器學習課程》視頻課黃海廣老師《機器學習課程》711頁完整版課件

本站qq群955171419，加入微信群請掃碼：

總結

以上是生活随笔為你收集整理的【深度学习】PyTorch常用代码段合集的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。