源：關(guān)于數(shù)據(jù)分析與可視化

本文約8000字，建議閱讀10+分鐘

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(shù)據(jù)處理、模型訓(xùn)練與測(cè)試等5個(gè)方面，還給出了多個(gè)值得注意的Tips，內(nèi)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(chǔ)上做了一些修補(bǔ)，方便使用時(shí)查閱。

基本配置

導(dǎo)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(fù)現(xiàn)性

在硬件設(shè)備（CPU、GPU）不同時(shí)，完全的可復(fù)現(xiàn)性無(wú)法保證，即使隨機(jī)種子相同。但是，在同一個(gè)設(shè)備上，應(yīng)該保證可復(fù)現(xiàn)性。具體做法是，在程序開始的時(shí)候固定torch的隨機(jī)種子，同時(shí)也把numpy的隨機(jī)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(shè)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(hào)顯卡。

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

也可以在命令行運(yùn)行代碼時(shí)設(shè)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]

張量(Tensor)處理

張量的數(shù)據(jù)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(shù)據(jù)類型print(tensor.size())  # 張量的shape，是個(gè)元組print(tensor.dim())   # 維度的數(shù)量

命名張量

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

# 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(shè)置
tensor = torch.rand(3,4,1,2,names=('C', 'N', 'H', 'W'))
# 使用align_to可以對(duì)維度方便地排序
tensor = tensor.align_to('N', 'C', 'H', 'W')

數(shù)據(jù)類型轉(zhuǎn)換

# 設(shè)置默認(rèn)類型，pytorch中的FloatTensor遠(yuǎn)遠(yuǎn)快于DoubleTensor

torch.set_default_tensor_type(torch.FloatTensor)




# 類型轉(zhuǎn)換

tensor = tensor.cuda()

tensor = tensor.cpu()

tensor = tensor.float()

tensor = tensor.long()

torch.Tensor與np.ndarray轉(zhuǎn)換

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

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(zhuǎn)換

# pytorch中的張量默認(rèn)采用[N, C, H, W]的順序，并且數(shù)據(jù)范圍在[0,1]，需要進(jìn)行轉(zhuǎn)置和規(guī)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(zhuǎn)換

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

ndarray = np.asarray(PIL.Image.open(path))

從只包含一個(gè)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(duì)張量做形變處理，

# 相比torch.view，torch.reshape可以自動(dòng)處理輸入張量不連續(xù)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(gè)維度

水平翻轉(zhuǎn)

# pytorch不支持tensor[::-1]這樣的負(fù)步長(zhǎng)操作，水平翻轉(zhuǎn)可以通過(guò)張量索引實(shí)現(xiàn)

# 假設(shè)張量的維度為[N, D, H, W].




tensor = tensor[:,:,:,torch.arange(tensor.size(3) - 1, -1, -1).long()]

復(fù)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(qū)別在于torch.cat沿著給定的維度拼接，

而torch.stack會(huì)新增一維。例如當(dāng)參數(shù)是3個(gè)10x5的張量，torch.cat的結(jié)果是30x5的張量，

而torch.stack的結(jié)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(shù)標(biāo)簽轉(zhuǎn)為one-hot編碼

# pytorch的標(biāo)記默認(rèn)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(gè)張量相等

torch.allclose(tensor1, tensor2)  # float tensor

torch.equal(tensor1, tensor2)     # int tensor

張量擴(kuò)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(jì)算兩組數(shù)據(jù)之間的兩兩歐式距離

利用廣播機(jī)制

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

模型定義和操作

一個(gè)簡(jiǎn)單兩層卷積網(wǎng)絡(luò)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 out




model = ConvNet(num_classes).to(device)

卷積層的計(jì)算和展示可以用這個(gè)網(wǎng)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(dāng)使用 torch.nn.DataParallel 將代碼運(yùn)行在多張 GPU 卡上時(shí)，PyTorch 的 BN 層默認(rèn)操作是各卡上數(shù)據(jù)獨(dú)立地計(jì)算均值和標(biāo)準(zhǔn)差，同步 BN 使用所有卡上的數(shù)據(jù)一起計(jì)算 BN 層的均值和標(biāo)準(zhǔn)差，緩解了當(dāng)批量大小（batch size）比較小時(shí)對(duì)均值和標(biāo)準(zhǔn)差估計(jì)不準(zhǔn)的情況，是在目標(biāo)檢測(cè)等任務(wù)中一個(gè)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(wǎng)絡(luò)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_mean

        sync_bn.running_var = module.running_var

        if module.affine:

            sync_bn.weight = module.weight.clone().detach()

            sync_bn.bias = module.bias.clone().detach()

        return sync_bn

    else:

        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(dòng)平均

如果要實(shí)現(xiàn)類似 BN 滑動(dòng)平均的操作，在 forward 函數(shù)中要使用原地（inplace）操作給滑動(dòng)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(jì)算模型整體參數(shù)量

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

查看網(wǎng)絡(luò)中的參數(shù)

可以通過(guò)model.state_dict()或者model.named_parameters()函數(shù)查看現(xiàn)在的全部可訓(xùn)練參數(shù)（包括通過(guò)繼承得到的父類中的參數(shù)）

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(quán)重初始化

注意 model.modules() 和 model.children() 的區(qū)別：model.modules() 會(huì)迭代地遍歷模型的所有子層，而 model.children() 只會(huì)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(huì)返回模型中所有模塊的迭代器，它能夠訪問(wèn)到最內(nèi)層，比如self.layer1.conv1這個(gè)模塊，還有一個(gè)與它們相對(duì)應(yīng)的是name_children()屬性以及named_modules(),這兩個(gè)不僅會(huì)返回模塊的迭代器，還會(huì)返回網(wǎng)絡(luò)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(yù)訓(xùn)練模型

注意如果保存的模型是 torch.nn.DataParallel，則當(dāng)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(dǎo)入另一個(gè)模型的相同部分到新的模型

模型導(dǎo)入?yún)?shù)時(shí)，如果兩個(gè)模型結(jié)構(gòu)不一致，則直接導(dǎo)入?yún)?shù)會(huì)報(bào)錯(cuò)。用下面方法可以把另一個(gè)模型的相同的部分導(dǎo)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(dǎo)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)

數(shù)據(jù)處理

計(jì)算數(shù)據(jù)集的均值和標(biāo)準(zhǔn)差

import os

import cv2

import numpy as np

from torch.utils.data import Dataset

from PIL import Image







def compute_mean_and_std(dataset):

    # 輸入PyTorch的dataset，輸出均值和標(biāo)準(zhǔn)差

    mean_r = 0

    mean_g = 0

    mean_b = 0




    for img, _ in dataset:

        img = np.asarray(img) # change PIL Image to numpy array

        mean_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 = 0

    diff_g = 0

    diff_b = 0




    N = 0




    for 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(shù)據(jù)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 // 2

        frame_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(xùn)練和驗(yàn)證數(shù)據(jù)預(yù)處理

其中 ToTensor 操作會(huì)將 PIL.Image 或形狀為 H×W×D，數(shù)值范圍為 [0, 255] 的 np.ndarray 轉(zhuǎn)換為形狀為 D×H×W，數(shù)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)),

])

模型訓(xùn)練和測(cè)試

分類模型訓(xùn)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 pass

        outputs = model(images)

        loss = criterion(outputs, labels)




        # Backward and optimizer

        optimizer.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(cè)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 = 0

    total = 0

    for 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(biāo)簽平滑（label smoothing）

寫一個(gè)label_smoothing.py的文件，然后在訓(xùn)練代碼里引用，用LSR代替交叉熵?fù)p失即可。label_smoothing.py內(nèi)容如下：

import torch

import torch.nn as nn







class LSR(nn.Module):




    def __init__(self, e=0.1, reduction='mean'):

        super().__init__()




        self.log_softmax = nn.LogSoftmax(dim=1)

        self.e = e

        self.reduction = reduction




    def _one_hot(self, labels, classes, value=1):

        """

            Convert labels to one hot vectors




        Args:

            labels: torch tensor in format [label1, label2, label3, ...]

            classes: int, number of classes

            value: label value in one hot vector, default to 1




        Returns:

            return one hot format labels in shape [batchsize, classes]

        """




        one_hot = torch.zeros(labels.size(0), classes)




        #labels and value_added  size must match

        labels = 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_hot




    def _smooth_label(self, target, length, smooth_factor):

        """convert targets to one-hot format, and smooth

        them.

        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 smooth




        Returns:

            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 loss




        elif 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(xùn)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) / N

    optimizer.zero_grad()

    loss.backward()

    optimizer.step()

Mixup訓(xùn)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(duì)偏置項(xiàng)進(jìn)行權(quán)重衰減（weight decay)

pytorch里的weight decay相當(dāng)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(dāng)前學(xué)習(xí)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(gè)batch訓(xùn)練代碼里，當(dāng)前的lr是optimizer.param_groups[0]['lr']

學(xué)習(xí)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(yōu)化器鏈?zhǔn)礁?/h1>

從1.4版本開始，torch.optim.lr_scheduler 支持鏈?zhǔn)礁拢╟haining），即用戶可以定義兩個(gè) schedulers，并交替在訓(xùn)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(xùn)練可視化

PyTorch可以使用tensorboard來(lái)可視化訓(xùn)練過(guò)程。

安裝和運(yùn)行TensorBoard。

pip install tensorboard

tensorboard --logdir=runs

使用SummaryWriter類來(lái)收集和可視化相應(yīng)的數(shù)據(jù)，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 np




writer = 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(diǎn)

注意為了能夠恢復(fù)訓(xùn)練，我們需要同時(shí)保存模型和優(yōu)化器的狀態(tài)，以及當(dāng)前的訓(xùn)練輪數(shù)。

start_epoch = 0

# Load checkpoint.

if resume: # resume為參數(shù)，第一次訓(xùn)練時(shí)設(shè)為0，中斷再訓(xùn)練時(shí)設(shè)為1

    model_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 checkpoint

    is_best = current_acc > best_acc

    best_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(yù)訓(xùn)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(yù)訓(xùn)練模型多層的卷積特征

class FeatureExtractor(torch.nn.Module):

    """Helper class to extract several convolution features from the given

    pre-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_model

        self._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(diào)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(xué)習(xí)率微調(diào)全連接層，較小學(xué)習(xí)率微調(diào)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)

其他注意事項(xiàng)

• 不要使用太大的線性層。因?yàn)閚n.Linear(m,n)使用的是的內(nèi)存，線性層太大很容易超出現(xiàn)有顯存。
• 不要在太長(zhǎng)的序列上使用RNN。因?yàn)镽NN反向傳播使用的是BPTT算法，其需要的內(nèi)存和輸入序列的長(zhǎng)度呈線性關(guān)系。
• model(x) 前用 model.train() 和 model.eval() 切換網(wǎng)絡(luò)狀態(tài)。
• 不需要計(jì)算梯度的代碼塊用 with torch.no_grad() 包含起來(lái)。
• model.eval() 和 torch.no_grad() 的區(qū)別在于，model.eval() 是將網(wǎng)絡(luò)切換為測(cè)試狀態(tài)，例如 BN 和dropout在訓(xùn)練和測(cè)試階段使用不同的計(jì)算方法。torch.no_grad() 是關(guān)閉 PyTorch 張量的自動(dòng)求導(dǎo)機(jī)制，以減少存儲(chǔ)使用和加速計(jì)算，得到的結(jié)果無(wú)法進(jìn)行 loss.backward()。
• model.zero_grad()會(huì)把整個(gè)模型的參數(shù)的梯度都?xì)w零, 而optimizer.zero_grad()只會(huì)把傳入其中的參數(shù)的梯度歸零.
• torch.nn.CrossEntropyLoss 的輸入不需要經(jīng)過(guò) Softmax。torch.nn.CrossEntropyLoss 等價(jià)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(shè)置 pin_memory=True，對(duì)特別小的數(shù)據(jù)集如 MNIST 設(shè)置 pin_memory=False 反而更快一些。num_workers 的設(shè)置需要在實(shí)驗(yàn)中找到最快的取值。
• 用 del 及時(shí)刪除不用的中間變量，節(jié)約 GPU 存儲(chǔ)。使用 inplace 操作可節(jié)約 GPU 存儲(chǔ)，如：

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

減少 CPU 和 GPU 之間的數(shù)據(jù)傳輸。例如如果你想知道一個(gè) epoch 中每個(gè) mini-batch 的 loss 和準(zhǔn)確率，先將它們累積在 GPU 中等一個(gè) epoch 結(jié)束之后一起傳輸回 CPU 會(huì)比每個(gè) mini-batch 都進(jìn)行一次 GPU 到 CPU 的傳輸更快。

使用半精度浮點(diǎn)數(shù) half() 會(huì)有一定的速度提升，具體效率依賴于 GPU 型號(hào)。需要小心數(shù)值精度過(guò)低帶來(lái)的穩(wěn)定性問(wèn)題。

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

除了標(biāo)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(jì)算結(jié)果。

統(tǒng)計(jì)代碼各部分耗時(shí)：

with torch.autograd.profiler.profile(enabled=True, use_cuda=False) as profile:    

  ...print(profile)# 或者在命令行運(yùn)行python -m torch.utils.bottleneck main.py

使用TorchSnooper來(lái)調(diào)試PyTorch代碼，程序在執(zhí)行的時(shí)候，就會(huì)自動(dòng) print 出來(lái)每一行的執(zhí)行結(jié)果的 tensor 的形狀、數(shù)據(jù)類型、設(shè)備、是否需要梯度的信息。

# pip install torchsnooper

import torchsnooper# 對(duì)于函數(shù)，使用修飾器@torchsnooper.snoop()




# 如果不是函數(shù)，使用 with 語(yǔ)句來(lái)激活 TorchSnooper，把訓(xùn)練的那個(gè)循環(huán)裝進(jìn) with 語(yǔ)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(kù)：https://captum.ai/captum.ai

參考資料

• 張皓：PyTorch Cookbook，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等

學(xué)術(shù)分享，來(lái)源丨h(huán)ttps://zhuanlan.zhihu.com/p/104019160

文件上傳如何做斷點(diǎn)續(xù)傳?全端+后端結(jié)合開發(fā)，VUE實(shí)現(xiàn)文件上傳(單文件、多文件、分片上傳)，JS中實(shí)現(xiàn)文件上傳下載的三種解決方案(推薦)，JS實(shí)現(xiàn)大文件上傳——分片上傳方法，完美解決WEB無(wú)法上傳大文件方法，HTML大文件上傳源碼，WEBUPLOAD組件實(shí)現(xiàn)文件上傳功能和下載功能，js大文件上傳下載解決方案，vue大文件上傳下載解決方案，asp.net大文件上傳下載解決方案，.net大文件上傳下載解決方案，webform大文件上傳下載解決方案，jsp大文件上傳下載解決方案，java大文件上傳下載解決方案，JAVASCRIPT 大文件上傳下載切片解決方案，JAVASCRIPT 大文件上傳下載切割解決方案，JAVASCRIPT 大文件上傳下載分割解決方案，JAVASCRIPT 大文件上傳下載分塊解決方案，JAVASCRIPT 大文件上傳下載分片解決方案，web大文件上傳下載解決方案，網(wǎng)頁(yè)大文件上傳下載解決方案，前端大文件上傳下載解決方案，html5大文件上傳下載解決方案，JAVASCRIPT 大文件上傳下載解決方案，支持HTML5,VUE2,VUE3,React，javascript等常用前端UI框架，JS框架，網(wǎng)上找的方案大多數(shù)都只是一些代碼片段，沒(méi)有提供完整的前后端代碼。

跟項(xiàng)目經(jīng)理溝通過(guò)，這塊網(wǎng)上搜到的文章能用的幾乎沒(méi)有。

之前項(xiàng)目上面用Flash比較多一點(diǎn)，現(xiàn)在基本上都是HTML5，斷點(diǎn)續(xù)傳除了頁(yè)面級(jí)以外最好還能夠提供離線支持。

支持IE，Chrome和信創(chuàng)國(guó)產(chǎn)化環(huán)境，比如銀河麒麟，統(tǒng)信UOS，龍芯，

支持分片，分塊，分段，切片，分割上傳。能夠突破chrome每域名的5個(gè)TCP連接限制，能夠突破chrome重啟，關(guān)閉瀏覽器續(xù)傳的限制。

支持10G,20G,50G,100G文件上傳和續(xù)傳，支持秒傳，支持文件夾上傳，重復(fù)文件檢測(cè)，重復(fù)文件校驗(yàn)

支持文件下載，批量下載，下載斷點(diǎn)續(xù)傳，加密下載，端到端加密，加密算法支持國(guó)密SM4，多線程下載

支持在服務(wù)端保存文件夾層級(jí)結(jié)構(gòu)，支持將文件夾層級(jí)結(jié)構(gòu)信息保存到數(shù)據(jù)庫(kù)中，支持下載時(shí)能夠?qū)⑽募A層級(jí)結(jié)構(gòu)下載下來(lái)，支持下載文件夾，下載文件夾支持?jǐn)帱c(diǎn)續(xù)傳，

支持加密傳輸，包括加密上傳，加密下載，加密算法支持國(guó)密SM4，

支持云對(duì)象存儲(chǔ)，比如華為云，阿里云，騰訊云，七牛云，AWS，MinIO,FastDFS，

提供手機(jī)，QQ，微信，郵箱等聯(lián)系方式，提供7*24小時(shí)技術(shù)支持，提供長(zhǎng)期技術(shù)支持和維護(hù)服務(wù)，提供遠(yuǎn)程1對(duì)1技術(shù)指導(dǎo)，提供二次開發(fā)指導(dǎo)，提供文檔教程，提供視頻教程。

最新版本：6.5.40

在線代碼：https://gitee.com/xproer/up6-asp-net/tree/6.5.40/

NOSQL

NOSQL無(wú)需任何配置可直接訪問(wèn)頁(yè)面進(jìn)行測(cè)試

SQL

使用IIS

大文件上傳測(cè)試推薦使用IIS以獲取更高性能。

使用IIS Express

小文件上傳測(cè)試可以使用IIS Express

創(chuàng)建數(shù)據(jù)庫(kù)

配置數(shù)據(jù)庫(kù)連接信息

訪問(wèn)頁(yè)面進(jìn)行測(cè)試

相關(guān)參考：

文件保存位置，

源碼工程文檔：https://drive.weixin.qq.com/s?k=ACoAYgezAAw1dWofra

源碼報(bào)價(jià)單：https://drive.weixin.qq.com/s?k=ACoAYgezAAwoiul8gl

OEM版報(bào)價(jià)單：https://drive.weixin.qq.com/s?k=ACoAYgezAAwuzp4W0a

控件源碼下載：https://drive.weixin.qq.com/s?k=ACoAYgezAAwbdKCskc