【AI 和机器学习】PyTorch BASIC 基础知识：节0

—— 快速入门

前言

—— 哪个更适合初学者？

想要学习并掌握 AI，最直接的办法就是自己动手进行实操。有一些流行的来源可供练习 AI 技能，例如：

• Kaggle：一个托管各种数据集和机器学习竞赛的平台。
• UCI 机器学习存储库：用于机器学习研究的数据集集合。
• TensorFlow 教程：TensorFlow 团队提供的教程和示例。
• PyTorch 教程：PyTorch 团队提供的教程和示例。

其中PyTorch和TensorFlow的AI教程资源非常丰富。但对于初学者来说，哪个更合适，可能还得取决于您的特定目标（研究与生产）以及您的偏好等：

• PyTorch 因其简单、易读和易于调试而通常被认为更适合初学者。PyTorch 的动态特性使新手可以学习概念而不会被复杂的语法所困扰。
• TensorFlow 随着 TensorFlow 2.x 和 Keras 的推出变得更加适合初学者，但它仍可能对初学者构成挑战。

本文先选择PyTorch来和大家一起学习，学习它的一些基础内容。其中所有素材均取自其教程。对于每一节内容，我们都将先给出摘要，然后把译文稍作整理后附在后面，供参考。

目录

【续前文】

本节摘要

本节概述了如何使用 PyTorch 执行常见的机器学习任务，重点介绍数据处理、模型创建、训练和保存/加载模型。

1. 使用数据

• 数据处理基元：PyTorch 使用 'torch.utils.data.DataLoader' 和 'torch.utils.data.Dataset'。“Dataset”存储样本和标签，而“DataLoader”包装数据集以便于迭代。
• 数据加载示例：本节演示了如何使用 'torchvision.datasets' 下载 FashionMNIST 数据集，并通过 'ToTensor（）' 应用转换。
• 创建数据加载器：为具有指定批量大小（例如 64）的训练和测试数据集创建“DataLoader”。

1. 创建模型

• 定义神经网络：神经网络是通过创建一个继承自 nn.Module的模块中。网络层在 __init__ 方法中设置，数据流在 'forward' 方法中定义。
• 设备选择：该代码检查可用的计算设备（CPU、GPU 或 MPS），以便加速训练。

1. 优化模型参数

• 损失函数和优化器：模型使用交叉熵损失和 SGD 作为优化器。训练循环批量处理数据集、计算预测、计算损失，并通过反向传播更新模型参数。
• 测试模型：一个单独的函数评估模型在测试数据集上的性能，计算准确率和平均损失。

1. 训练过程

• Epochs：模型在多个 epoch 上进行训练，在每个 epoch 打印损失和准确率来监控进度。

1. 保存和加载模型

• 保存模型：模型的 state 字典使用 'torch.save（）' 保存。
• 加载模型：要加载模型，需要重新创建结构，并将状态字典重新加载回其中。

1. 进行预测

• 加载模型后，它可以对新数据进行预测，并提供用于解释结果的示例。

本节是使用 PyTorch 进行机器学习的基础介绍，重点介绍数据处理、模型训练和部署的实际步骤。

本节正文

本节介绍机器学习中常见任务的 API。请参阅每个部分中的“更多信息”深入了解。

使用数据

PyTorch 有两个用于处理数据的基元： torch.utils.data.DataLoader 和 torch.utils.data.Dataset 。Dataset 存储样本及其相应的标签，而 DataLoader 则围绕 Dataset 包装了一个可迭代对象。

PyTorch 提供特定于域的库，例如 TorchText、TorchVision 和 TorchAudio，所有这些库都包含数据集。在本教程中，我们将使用 TorchVision 数据集。

torchvision.datasets 模块包含许多真实世界视觉数据的 Dataset 对象，如 CIFAR、COCO。在本教程中，我们使用 FashionMNIST 数据集。每个 TorchVision 数据集都包含两个参数： transform 和 target_transform 分别用于修改样本和标签。

输出：

我们将 Dataset 作为参数传递给 DataLoader。这将把一个可迭代对象包装在我们的数据集上，并且支持自动批处理、采样、混洗和多进程数据加载。这里我们定义了一个 batch size 为 64，即 dataloader iterable 中的每个元素将返回一个 64 个特征和标签的批次。

输出：

【注：更多信息请参阅“在 PyTorch 中加载数据”一节】

创建模型

为了在 PyTorch 中定义神经网络，我们创建了一个继承自 nn.Module 的模型。我们在 __init__ 函数中定义网络层，并在 forward 函数中指定数据如何通过网络。为了加速神经网络中的操作，我们将其移到 GPU 或 MPS（如果可用的话）。

输出：

【注：更多信息请参阅“在 PyTorch 中构建神经网络”一节】

优化模型参数

要训练模型，我们需要一个损失函数和一个优化器。

在单个训练循环中，模型对训练数据集进行预测（分批提供给它），并反向传播预测误差来调整模型的参数。

我们还根据测试数据集检查模型的性能，以确保它正在学习。

训练过程分多次迭代 （epoch） 进行。在每个 epoch 期间，模型会学习参数以做出更好的预测。我们打印模型在每个 epoch 的准确率和损失；我们希望看到每个 epoch 的准确率增加，损失减少。

输出：

【注：更多信息请参阅“训练模型”一节】

保存模型

保存模型的常用方法是序列化内部状态字典（包含模型参数）。

输出：

加载模型

加载模型的过程包括重新创建模型结构，并且将状态字典加载到其中。

输出：

此模型现在可用于进行预测。

输出：

【注：更多信息请参阅“保存和加载模型”一节】

【未完待续】

农历甲辰十月廿三

2024.11.23

【部分图片来源网络，侵删】