在这里插入图片描述

欢迎关注博主 Mindtechnist 或加入【智能科技社区】一起学习和分享Linux、C、C++、Python、Matlab,机器人运动控制、多机器人协作,智能优化算法,滤波估计、多传感器信息融合,机器学习,人工智能等相关领域的知识和技术。搜索关注公粽号 《机器和智能》 发送关键词“刷题宝典”即可领取技术大礼包!


博主介绍:
CSDN优质创作者,CSDN实力新星,CSDN内容合伙人;
阿里云社区专家博主;
华为云社区云享专家;
51CTO社区入驻博主,掘金社区入驻博主,支付宝社区入驻博主,博客园博主。



专栏:《前沿技术文献与图书推荐》


深度学习是当今人工智能领域最热门的研究方向之一,它已经在许多领域展示出了强大的能力,如图像识别、自然语言处理和语音识别等。PyTorch是一个开源的深度学习框架,它提供了丰富的工具和库,使得开发者能够快速构建和训练深度学习模型。本文将介绍如何使用PyTorch进行Python编程,并结合代码实战帮助读者入门深度学习。

什么是深度学习?

深度学习是机器学习的一种方法,通过构建和训练多层神经网络来学习数据的特征表示。与传统的机器学习方法相比,深度学习能够更好地处理复杂的非线性关系。深度学习模型通常由多个隐藏层组成,每个隐藏层包含大量的神经元。这些神经元通过学习数据的特征和模式来提取有用的信息,并用于分类、回归、聚类等任务。

深度学习的核心概念是神经网络。神经网络由一系列连接的节点(神经元)组成,每个节点接收一组输入并生成一个输出。输入和输出之间的连接具有可调整的权重,这些权重在训练过程中自动调整以优化模型的性能。神经网络的层数越多,模型越能够学习到更高级别的特征和模式。

PyTorch简介

PyTorch是一个基于Python的开源深度学习框架,它提供了丰富的工具和库,使得构建和训练深度学习模型变得简单而直观。PyTorch不仅支持深度学习的各个方面,如计算图、自动求导等,还提供了大量的预训练模型和常用的工具函数,可以极大地简化深度学习任务的开发过程。

PyTorch的设计理念是“Define-by-Run”,即通过动态计算图来定义神经网络模型。与静态计算图的框架相比,这种方式更加灵活,可以根据需要在运行时动态修改模型的结构。此外,PyTorch还提供了丰富的GPU支持,可以利用GPU的并行计算能力加速训练过程。

安装PyTorch

在开始使用PyTorch之前,我们首先需要安装它。PyTorch可以通过pip包管理器进行安装。请确保您已经安装了Python和pip,并执行以下命令安装PyTorch:

pip install torch torchvision

上述命令将同时安装PyTorch和torchvision。torchvision是PyTorch的一个独立模块,提供了处理计算机视觉任务的工具和数据集。

PyTorch基础知识

在使用PyTorch进行深度学习编程之前,我们需要了解一些基本概念和知识。

张量(Tensors)
张量是PyTorch中最基本的数据结构,类似于多维数组。张量可以表示各种数据类型,如整数、浮点数和布尔值。在PyTorch中,我们可以使用torch.Tensor类来创建张量。以下是一些常用的张量操作示例:

import torch

# 创建一个2x3的浮点型张量
x = torch.Tensor([[1, 2, 3], [4, 5, 6]])
print(x)

# 张量的形状
print(x.shape)

# 张量的数据类型
print(x.dtype)

# 张量的运算
y = torch.Tensor([[7, 8, 9], [10, 11, 12]])
z = x + y
print(z)

自动求导(Autograd)
自动求导是PyTorch的一个重要功能,它可以自动计算张量的导数。在深度学习中,自动求导非常有用,因为我们可以通过计算梯度来优化神经网络的参数。以下是一个自动求导的示例:

import torch

# 创建一个需要求导的张量
x = torch.tensor(2.0, requires_grad=True)

# 定义一个函数
y = x ** 2

# 自动计算梯度
y.backward()

# 输出梯度
print(x.grad)

数据集加载与处理

在进行深度学习任务之前,我们首先需要准备好数据集。数据集应该包含用于训练和测试的样本,并且每个样本都需要与其相应的标签相关联。PyTorch提供了多种方式来加载和处理数据集,其中最常用的是使用torchvision库。torchvision提供了一系列常用的计算机视觉数据集,并提供了数据预处理和数据加载的功能。

为了演示数据准备的过程,我们以图像分类任务为例,使用CIFAR-10数据集。首先,我们需要安装torchvision库:

!pip install torchvision

接下来,我们可以使用以下代码加载和预处理CIFAR-10数据集:


```handlebars

```python
import torch
import torchvision
import torchvision.transforms as transforms

# 定义数据预处理的转换
transform = transforms.Compose([
    transforms.ToTensor(),  # 将图像转换为张量
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))  # 标准化图像
])

# 加载训练集
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64,
                                          shuffle=True, num_workers=2)

# 加载测试集
testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=64,
                                         shuffle=False, num_workers=2)

# 类别标签
classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
通过以上代码,我们成功加载了CIFAR-10数据集并进行了预处理。训练集和测试集分别存储在trainloader和testloader中,每个加载器可以按照指定的批量大小加载数据。

构建神经网络模型

在深度学习中,神经网络模型是实现学习任务的关键组成部分。PyTorch提供了多种方式来构建神经网络模型,包括使用torch.nn模块和使用继承自torch.nn.Module的自定义类。

在本例中,我们将构建一个简单的卷积神经网络(CNN)模型用于图像分类。该模型包含两个卷积层、两个池化层和三个全连接层。以下是模型的代码实现:

import torch
import torch.nn as nn

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1)
        self.relu1 = nn.ReLU()
        self.maxpool1 = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1)
        self.relu2 = nn.ReLU()
        self.maxpool2 = nn.MaxPool2d(kernel_size=2, stride=2)
        self.fc1 = nn.Linear(32 * 8 * 8, 128)
        self.relu3 = nn.ReLU()
        self.fc2 = nn.Linear(128, 10)
    
    def forward(self, x):
        out = self.conv1(x)
        out = self.relu1(out)
        out = self.maxpool1(out)
        out = self.conv2(out)
        out = self.relu2(out)
        out = self.maxpool2(out)
        out = out.view(out.size(0), -1)
        out = self.fc1(out)
        out = self.relu3(out)
        out = self.fc2(out)
        return out

# 创建模型实例
model = CNN()

在上述代码中,我们定义了一个名为CNN的类,继承自nn.Module。在类的构造函数__init__中,我们定义了模型的各个层,包括卷积层、激活函数、池化层和全连接层。在forward方法中,我们定义了前向传播的操作,即数据从输入层到输出层的流动过程。

通过以上代码,我们成功构建了一个简单的卷积神经网络模型。接下来,我们将学习如何训练和优化这个模型。

训练模型
训练模型是深度学习中的重要步骤,它涉及到选择适当的损失函数、优化算法和训练数据集。在PyTorch中,我们可以使用内置的损失函数和优化器来训练模型。

损失函数
损失函数用于衡量模型输出与真实标签之间的差异。在图像分类任务中,常用的损失函数是交叉熵损失函数。PyTorch提供了torch.nn.CrossEntropyLoss作为交叉熵损失函数的实现。

criterion = nn.CrossEntropyLoss()

优化器
优化器用于更新模型的参数以最小化损失函数。常用的优化器是随机梯度下降(SGD)和Adam。PyTorch提供了各种优化器的实现,如torch.optim.SGD和torch.optim.Adam。

optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

训练过程
训练模型的过程通常包括以下几个步骤:

  • 迭代训练数据集,获取输入数据和标签。
  • 将输入数据传入模型进行前向传播,得到输出。
  • 计算输出与真实标签之间的损失。
  • 清空之前的梯度信息。
  • 反向传播计算梯度。
  • 使用优化器更新模型的参数。
  • 重复步骤1-6,直到训练集上的损失收敛或达到指定的训练轮数。

以下是一个训练模型的示例代码:

# 设置训练参数
num_epochs = 10

# 训练模型
total_step = len(trainloader)
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(trainloader):
        # 前向传播
        outputs = model(images)
        loss = criterion(outputs, labels)
        
        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        
        # 每隔100个批次打印一次训练信息
        if (i+1) % 100 == 0:
            print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'
                  .format(epoch+1, num_epochs, i+1, total_step, loss.item()))

在上述代码中,我们使用enumerate函数遍历训练数据集,并在每个迭代中执行前向传播、计算损失、反向传播和参数更新的操作。通过多个训练轮次的迭代,模型的性能将逐渐提升。

图书推荐

🔥Python深度学习“四大名著”之一全新PyTorch版

近年来,机器学习方法凭借其理解海量数据和自主决策的能力,已在医疗保健、 机器人、生物学、物理学、大众消费和互联网服务等行业得到了广泛的应用。自从AlexNet模型在2012年ImageNet大赛被提出以来,机器学习和深度学习迅猛发展,取得了一个又一个里程碑式的成就,深刻地影响了工业界、学术界和人们的生活。
如今,机器学习、深度学习、人工智能已经成为信息领域最热门的研究方向,在就业市场这些领域的工作也非常吸引人。科学的巨大飞跃通常来自精彩的想法和易用的工具,机器学习也不例外。
在实践中应用机器学习需要理论和工具的结合。对于机器学习的入门读者而言, 从理解原理概念到确定要安装的软件包都有一定的难度。许多在最开始尝试机器学习的时候,会发现理解一个算法在干什么真的非常难。不仅仅是因为算法里各种繁杂的数学理论和难懂的符号,没有实际的例子,光靠定义和推导来了解一个算法实在是很无聊。就连网络上的相关的指导材料,能找到的通常都是各种公式以及晦涩难懂的解释,很少有人能够细致的将所有细节加以说明。
因此,《Python机器学习:基于PyTorch和Scikit-Learn》这本书的定位是把机器学习理论和工程实践结合起来,从而降低读者的阅读门槛。从数据驱动方法的基础知识到最新的深度学习框架,本书每一章都提供了机器学习代码示例,用于解决实际应用中的机器学习问题。

书名:《Python机器学习:基于PyTorch和Scikit-Learn》
作者:塞巴斯蒂安·拉施卡、刘玉溪(海登)、瓦希德·米尔贾利利
出版社:机械工业出版社
在这里插入图片描述
内容简介:本书是一本全面介绍在PyTorch环境下学习机器学习和深度学习的综合指南,可以作为初学者的入门教程,也可以作为读者开发机器学习项目时的参考书。
本书讲解清晰、示例生动,深入介绍了机器学习方法的基础知识,不仅提供了构建机器学习模型的说明,而且提供了构建机器学习模型和解决实际问题的基本准则。本书添加了基于PyTorch的深度学习内容,介绍了新版Scikit-Learn。本书涵盖了多种用于文本和图像分类的机器学习与深度学习方法,介绍了用于生成新数据的生成对抗网络(GAN)和用于训练智能体的强化学习。最后,本书还介绍了深度学习的新动态,包括图神经网络和用于自然语言处理(NLP)的大型transformer。无论是机器学习入门新手,还是计划跟踪机器学习进展的研发人员,都可以将本书作为使用Python进行机器学习的不二之选。
通过阅读本书,读者将会了解到:

  • 探索机器从数据中“学习”的框架、模型和方法。
    使用Scikit-Learn实现机器学习,使用PyTorch实现深度学习。
  • 训练机器学习分类器分类图像、文本等数据。
  • 构建和训练神经网络、transformer及图神经网络。
  • 探索评估和优化模型的最佳方法。
  • 使用回归分析预测连续目标结果。
  • 使用情感分析深入地挖掘文本和社交媒体数据。

“我相信,你能感受到这本书对机器学习热点的总结全面而彻底,对机器学习实现方法的解释清晰而宝贵。我希望你能从这本书中获得灵感,从而可以使用机器学习方法解决实际问题。”                   
—— Dmytro Dzhulgakov,PyTorch核心维护者


🎉本次送2本书 ,评论区抽2位小伙伴送书
🎉活动时间:截止到 2023-07-20 10:00:00
🎉抽奖方式:利用爬虫进行随机抽奖。
🎉参与方式:关注博主、点赞、收藏,评论区评论 “人生苦短,我用python!”
❗注意:一定要关注博主,不然中奖后将无效!
🎉通知方式:通过私信联系中奖粉丝并在评论区置顶公布。
💡提示:有任何疑问请私信公粽号 《机器和智能》


在这里插入图片描述
在这里插入图片描述


Logo

CSDN联合极客时间,共同打造面向开发者的精品内容学习社区,助力成长!

更多推荐