PyTorch 与面向对象编程

PyTorch 深度学习进阶

Michal Oleszak

Machine Learning Engineer

学习目标

如何训练稳健的深度学习模型：

用优化器改进训练
缓解梯度消失与爆炸
卷积神经网络（CNN）
循环神经网络（RNN）
多输入与多输出模型

PyTorch 标志

先修要求

本课程默认你已掌握以下主题：

神经网络训练：
- 前向传播
- 损失计算
- 反向传播
用 PyTorch 训练模型：
- Datasets 与 DataLoaders
- 训练循环
- 模型评估
先修课程：Introduction to Deep Learning with PyTorch

面向对象编程（OOP）

我们将用 OOP 定义：
- PyTorch Datasets
- PyTorch Models
在 OOP 中，我们创建的对象包含：
- 能力（方法）
- 数据（属性）

面向对象编程（OOP）

class BankAccount:
    def __init__(self, balance):
        self.balance = balance

创建 BankAccount 对象时会调用 __init__
balance 是 BankAccount 对象的属性

account = BankAccount(100)
print(account.balance)

面向对象编程（OOP）

方法：用于执行任务的 Python 函数
deposit 方法增加余额

class BankAccount:
    def __init__(self, balance):
        self.balance = balance


    def deposit(self, amount):
        self.balance += amount

account = BankAccount(100)
account.deposit(50)
print(account.balance)

水可饮用性数据集

Pandas DataFrame 展示了水可饮用性数据的部分首尾行。

PyTorch Dataset

from torch.utils.data import Dataset

class WaterDataset(Dataset):

    def __init__(self, csv_path):
        super().__init__()
        df = pd.read_csv(csv_path)
        self.data = df.to_numpy()


    def __len__(self):
        return self.data.shape[0]


    def __getitem__(self, idx):
        features = self.data[idx, :-1]
        label = self.data[idx, -1]
        return features, label

init：加载数据并存为 numpy 数组
- super().__init__() 确保 WaterDataset 表现为 torch 的 Dataset
len：返回数据集大小
getitem：
- 接受参数 idx
- 返回索引 idx 的单个样本特征和标签

PyTorch DataLoader

dataset_train = WaterDataset(
    "water_train.csv"
)

from torch.utils.data import DataLoader

dataloader_train = DataLoader(
    dataset_train,
    batch_size=2,
    shuffle=True,
)

features, labels = next(iter(dataloader_train))
print(f"Features: {features},\nLabels: {labels}")

Features: tensor([
  [0.4899, 0.4180, 0.6299, 0.3496, 0.4575,
   0.3615, 0.3259, 0.5011, 0.7545],
  [0.7953, 0.6305, 0.4480, 0.6549, 0.7813,
   0.6566, 0.6340, 0.5493, 0.5789]
]),
Labels: tensor([1., 0.])

PyTorch 模型

顺序式模型定义：

net = nn.Sequential(
  nn.Linear(9, 16),
  nn.ReLU(),
  nn.Linear(16, 8),
  nn.ReLU(),
  nn.Linear(8, 1),
  nn.Sigmoid(),
)

基于类的模型定义：

class Net(nn.Module):

    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(9, 16)
        self.fc2 = nn.Linear(16, 8)
        self.fc3 = nn.Linear(8, 1)


    def forward(self, x):
        x = nn.functional.relu(self.fc1(x))
        x = nn.functional.relu(self.fc2(x))
        x = nn.functional.sigmoid(self.fc3(x))
        return x

net = Net()

Passons à la pratique !

PyTorch 深度学习进阶