前言

PyTorch是Facebook发布的一款非常具有个性的深度学习框架，它和Tensorflow，Keras，Theano等其他深度学习框架都不同，它是动态计算图模式，其应用模型支持在运行过程中根据运行参数动态改变，而其他几种框架都是静态计算图模式，其模型在运行之前就已经确定。

PyTorch安装

简易安装

pip install numpy
pip install scipy
pip install  http://download.pytorch.org/whl/cu75/torch-0.1.12.post2-cp27-none-linux_x86_64.whl

指定版本安装

基础变量

Tensor 基本的数据结构

• pytorch 中的数据都是封装成 Tensor 来引用的，
• Tensor 实际上就类似于 numpy 中的数组，两者可以自由转换。

import torch
x = torch.Tensor(3,4)
print("x Tensor: ",x)

Variable 基本的变量结构

• Variable变量包含了数据和数据的导数两个部分
• x.data 是数据，这里 x.data 就是 Tensor。x.grad 是计算过程中动态变化的导数。

import torch
from torch.autograd import Variable
x=Variable(torch.Tensor(2,2))
print("x variable: ",x)

求导

• 数学上求导简单来说就是求取方程式相对于输入参数的变化率
• 求导的作用是用导数对神经网络的权重参数进行调整
• Pytorch 中为求导提供了专门的包，包名叫 autograd。如果用 autograd.Variable 来定义参数，则 Variable 自动定义了两个变量，data 代表原始权重数据；而 grad 代表求导后的数据，也就是梯度。每次迭代过程就用这个 grad 对权重数据进行修正。

import torch
from torch.autograd import Variable
x = Variable(torch.ones(2, 2), requires_grad=True)
print(x)
y=x+2
print(y)
z = y * y * 3
out = z.mean()
print(z, out)
out.backward()  # backward 就是求导的意思
print(x.grad)z=(x+2)*(x+2)*3，它的导数是 3*(x+2)/2，当 x=1 时导数的值就是 3*(1+2)/2=4.5

如何用导数来修正梯度

权值更新方法：learning_rate 是学习速率，多数时候就叫做 lr，是学习步长，用步长 * 导数就是每次权重修正的 delta 值，lr 越大表示学习的速度越快，相应的精度就会降低。

weight = weight + learning_rate * gradient

learning_rate = 0.01
for f in model.parameters():f.data.sub_(f.grad.data * learning_rate)

损失函数

• 损失函数是指用于计算标签值和预测值之间差异的函数，在机器学习过程中，有多种损失函数可供选择，典型的有距离向量，绝对值向量等。
• pytorch 中定义了很多类型的预定义损失函数，
• 也支持自己自定义loss function

import torch
from torch.autograd import Variable
import torch.nn as nn
import torch.nn.functional as F
sample = Variable(torch.ones(2,2))
a=torch.Tensor(2,2)
a[0,0]=0
a[0,1]=1
a[1,0]=2
a[1,1]=3
target = Variable (a)sample 的值为：[[1,1],[1,1]]
target 的值为：[[0,1],[2,3]]

nn.L1Loss

• L1Loss 计算方法很简单，取预测值和真实值的绝对误差的平均数即可
  

criterion = nn.L1Loss()
loss = criterion(sample, target)
print(loss)loss = (|0-1|+|1-1|+|2-1|+|3-1|) / 4 = 1

nn.SmoothL1Loss

• SmoothL1Loss 也叫作 Huber Loss，误差在 (-1,1) 上是平方损失，其他情况是 L1 损失。
  

criterion = nn.SmoothL1Loss()
loss = criterion(sample, target)
print(loss)
loss = 0.625

nn.MSELoss

• 均方误差，预测值和真实值之间的平方和的平均数
  

criterion = nn.MSELoss()
loss = criterion(sample, target)
print(loss)
loss = 1.5

nn.BCELoss

• 二分类用的交叉熵
  

criterion = nn.BCELoss()
loss = criterion(sample, target)
print(loss)
loss = -13.8155

nn.CrossEntropyLoss

• 交叉熵损失函数 注意维度
  

优化器

TODO

• PyTorch的动态计算图模式指的是什么，与其他框架的静态计算图模式有什么差异？