文章

pytorch框架

ML
本文目录 7

Pytorch框架学习

用 Pytorch 的时候都是用 llm 生成的代码，只会往nn模块里加点功能层，调用它提供的 Loss

现在有空了多了解一点

Pytorch中重要的元素

1. Tensor

tensor，张量，是记录一个多维空间里的点或向量的容器

它可以是 标量->向量->矩阵->张量

2.Autograd N Dynamic Computation Graph

Pytorch 最特色的就是它的自动求导，他会在执行前向传播的时候记录下一个动态图，相当于实时构建与销毁一个 DAG

只需要在初始化 Tensor 的时候传入requires_grad = true

动态计算图的优点有：

  • 更加灵活，更适用于条件判断或递归
  • 方便调试和修改，能直接查看中间结果

3. nn.Module

neural network模块是对复杂运算的封装，同时兼容与优化器torch.optim一起使用

相当于一个大的黑盒子（整个 ResNet）里面可以装着很多中等的黑盒子（Residual Block），中等的里面装着小的黑盒子（Conv2d / ReLU等等）

要想定义一个 model，有两张方法：使用 自定义类 或者是用 Sequential

特性自定义类 (继承 nn.Module)nn.Sequential
forward 定义必须手动定义自动按顺序执行
灵活性高（可以有任何复杂逻辑）低（只能是简单顺序结构）
适用场景复杂网络、多分支、跳跃连接简单顺序网络、快速原型

Sequential

无需定义新的类，只用按顺序组合层

model = nn.Sequential(
    nn.Conv2d(3, 32, 3),
    nn.ReLU(),
    nn.Conv2d(32, 64, 3),
    nn.ReLU(),
    nn.Flatten(),
    nn.Linear(64 * 26 * 26, 10)
)

自定义

从 nn.module继承一个子类，需要在__init__的时候定义网络层，同时在forward中定义数据流动的顺序

流程

  1. 目标（Loss Function）：定义一个“完美状态”与“当前状态”的距离

  2. 感知（Forward）：系统根据现有参数对输入做出判断

  3. 反馈（Backward）：系统发现判断错了，利用微积分算出梯度下降的方向

  4. 修正（Optimizer）：根据反馈，微调参数

Pytorch架构

示意图如下

┌─────────────────────────────────────────────────────────────┐
│                    PyTorch 生态系统                          │
├─────────────────────────────────────────────────────────────┤
│  torchvision  │  torchtext  │  torchaudio  │  其他专业库     │
├─────────────────────────────────────────────────────────────┤
│                     PyTorch 核心                            │
├───────────────┬─────────────────┬───────────────────────────┤
│   torch.nn    │   torch.optim   │      torch.utils          │
│   (神经网络)   │   (优化器)      │      (工具函数)           │
├───────────────┼─────────────────┼───────────────────────────┤
│               │                 │   torch.utils.data        │
│  torch 核心   │  autograd       │   (数据加载)              │
│  (张量计算)    │  (自动微分)     │                           │
└───────────────┴─────────────────┴───────────────────────────┘

img