注意
点击此处下载完整示例代码
学习基础知识 || 快速入门 || 张量 || 数据集与数据加载器 || 转换 || 构建模型 || Autograd || 优化 || 保存与加载模型
快速入门¶
创建日期：2021 年 2 月 9 日 | 最后更新：2025 年 1 月 24 日 | 最后验证：未验证
本节将快速介绍机器学习中常见任务的 API。参考各部分中的链接以深入了解。
使用数据¶
PyTorch 有两个用于处理数据的基本模块：torch.utils.data.DataLoader 和 torch.utils.data.Dataset。Dataset 存储样本及其对应的标签，而 DataLoader 则将一个可迭代对象封装在 Dataset 周围。
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor
PyTorch 提供特定领域的库，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，例如 CIFAR、COCO（完整列表在此）。在本教程中，我们使用 FashionMNIST 数据集。每个 TorchVision Dataset 都包含两个参数：transform 和 target_transform，分别用于修改样本和标签。
# Download training data from open datasets.
training_data = datasets.FashionMNIST(
root="data",
train=True,
download=True,
transform=ToTensor(),
)
# Download test data from open datasets.
test_data = datasets.FashionMNIST(
root="data",
train=False,
download=True,
transform=ToTensor(),
)
0%| | 0.00/26.4M [00:00<?, ?B/s]
0%| | 65.5k/26.4M [00:00<01:12, 362kB/s]
1%| | 229k/26.4M [00:00<00:38, 682kB/s]
3%|3 | 918k/26.4M [00:00<00:09, 2.59MB/s]
7%|7 | 1.93M/26.4M [00:00<00:05, 4.11MB/s]
25%|##5 | 6.65M/26.4M [00:00<00:01, 15.4MB/s]
38%|###8 | 10.1M/26.4M [00:00<00:00, 17.4MB/s]
58%|#####7 | 15.3M/26.4M [00:01<00:00, 26.1MB/s]
72%|#######2 | 19.1M/26.4M [00:01<00:00, 29.3MB/s]
85%|########5 | 22.5M/26.4M [00:01<00:00, 26.2MB/s]
100%|##########| 26.4M/26.4M [00:01<00:00, 19.4MB/s]
0%| | 0.00/29.5k [00:00<?, ?B/s]
100%|##########| 29.5k/29.5k [00:00<00:00, 328kB/s]
0%| | 0.00/4.42M [00:00<?, ?B/s]
1%|1 | 65.5k/4.42M [00:00<00:12, 360kB/s]
5%|5 | 229k/4.42M [00:00<00:06, 679kB/s]
19%|#9 | 852k/4.42M [00:00<00:01, 2.31MB/s]
44%|####3 | 1.93M/4.42M [00:00<00:00, 4.16MB/s]
100%|##########| 4.42M/4.42M [00:00<00:00, 6.07MB/s]
0%| | 0.00/5.15k [00:00<?, ?B/s]
100%|##########| 5.15k/5.15k [00:00<00:00, 64.5MB/s]
我们将 Dataset 作为参数传递给 DataLoader。这会在我们的数据集上封装一个可迭代对象，并支持自动批量处理、采样、洗牌和多进程数据加载。这里我们将批次大小定义为 64，也就是说，数据加载器可迭代对象中的每个元素将返回包含 64 个特征和标签的批次。
batch_size = 64
# Create data loaders.
train_dataloader = DataLoader(training_data, batch_size=batch_size)
test_dataloader = DataLoader(test_data, batch_size=batch_size)
for X, y in test_dataloader:
print(f"Shape of X [N, C, H, W]: {X.shape}")
print(f"Shape of y: {y.shape} {y.dtype}")
break
Shape of X [N, C, H, W]: torch.Size([64, 1, 28, 28])
Shape of y: torch.Size([64]) torch.int64
阅读更多关于在 PyTorch 中加载数据的信息。
创建模型¶
为了在 PyTorch 中定义神经网络，我们创建一个继承自 nn.Module 的类。我们在 __init__ 函数中定义网络的层，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运算，我们将其移动到 加速器，例如 CUDA、MPS、MTIA 或 XPU。如果当前加速器可用，我们将使用它。否则，我们使用 CPU。
device = torch.accelerator.current_accelerator().type if torch.accelerator.is_available() else "cpu"
print(f"Using {device} device")
# Define model
class NeuralNetwork(nn.Module):
def __init__(self):
super().__init__()
self.flatten = nn.Flatten()
self.linear_relu_stack = nn.Sequential(
nn.Linear(28*28, 512),
nn.ReLU(),
nn.Linear(512, 512),
nn.ReLU(),
nn.Linear(512, 10)
)
def forward(self, x):
x = self.flatten(x)
logits = self.linear_relu_stack(x)
return logits
model = NeuralNetwork().to(device)
print(model)
Using cuda device
NeuralNetwork(
(flatten): Flatten(start_dim=1, end_dim=-1)
(linear_relu_stack): Sequential(
(0): Linear(in_features=784, out_features=512, bias=True)
(1): ReLU()
(2): Linear(in_features=512, out_features=512, bias=True)
(3): ReLU()
(4): Linear(in_features=512, out_features=10, bias=True)
)
)
阅读更多关于在 PyTorch 中构建神经网络的信息。
优化模型参数¶
loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)
在一个训练循环中，模型对训练数据集（以批次形式输入）进行预测，并通过反向传播预测误差来调整模型的参数。
def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset)
model.train()
for batch, (X, y) in enumerate(dataloader):
X, y = X.to(device), y.to(device)
# Compute prediction error
pred = model(X)
loss = loss_fn(pred, y)
# Backpropagation
loss.backward()
optimizer.step()
optimizer.zero_grad()
if batch % 100 == 0:
loss, current = loss.item(), (batch + 1) * len(X)
print(f"loss: {loss:>7f} [{current:>5d}/{size:>5d}]")
我们还会对照测试数据集检查模型的性能，以确保它正在学习。
def test(dataloader, model, loss_fn):
size = len(dataloader.dataset)
num_batches = len(dataloader)
model.eval()
test_loss, correct = 0, 0
with torch.no_grad():
for X, y in dataloader:
X, y = X.to(device), y.to(device)
pred = model(X)
test_loss += loss_fn(pred, y).item()
correct += (pred.argmax(1) == y).type(torch.float).sum().item()
test_loss /= num_batches
correct /= size
print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
训练过程会进行多次迭代（epochs，即周期）。在每个周期中，模型会学习参数以进行更好的预测。我们在每个周期打印模型的准确率和损失；我们希望看到准确率随周期增加而提高，损失随周期增加而减少。
epochs = 5
for t in range(epochs):
print(f"Epoch {t+1}\n-------------------------------")
train(train_dataloader, model, loss_fn, optimizer)
test(test_dataloader, model, loss_fn)
print("Done!")
Epoch 1
-------------------------------
loss: 2.303494 [ 64/60000]
loss: 2.294637 [ 6464/60000]
loss: 2.277102 [12864/60000]
loss: 2.269977 [19264/60000]
loss: 2.254234 [25664/60000]
loss: 2.237145 [32064/60000]
loss: 2.231056 [38464/60000]
loss: 2.205036 [44864/60000]
loss: 2.203239 [51264/60000]
loss: 2.170890 [57664/60000]
Test Error:
Accuracy: 53.9%, Avg loss: 2.168587
Epoch 2
-------------------------------
loss: 2.177784 [ 64/60000]
loss: 2.168083 [ 6464/60000]
loss: 2.114908 [12864/60000]
loss: 2.130411 [19264/60000]
loss: 2.087470 [25664/60000]
loss: 2.039667 [32064/60000]
loss: 2.054271 [38464/60000]
loss: 1.985452 [44864/60000]
loss: 1.996019 [51264/60000]
loss: 1.917239 [57664/60000]
Test Error:
Accuracy: 60.2%, Avg loss: 1.920371
Epoch 3
-------------------------------
loss: 1.951699 [ 64/60000]
loss: 1.919513 [ 6464/60000]
loss: 1.808724 [12864/60000]
loss: 1.846544 [19264/60000]
loss: 1.740612 [25664/60000]
loss: 1.698728 [32064/60000]
loss: 1.708887 [38464/60000]
loss: 1.614431 [44864/60000]
loss: 1.646473 [51264/60000]
loss: 1.524302 [57664/60000]
Test Error:
Accuracy: 61.4%, Avg loss: 1.547089
Epoch 4
-------------------------------
loss: 1.612693 [ 64/60000]
loss: 1.570868 [ 6464/60000]
loss: 1.424729 [12864/60000]
loss: 1.489538 [19264/60000]
loss: 1.367247 [25664/60000]
loss: 1.373463 [32064/60000]
loss: 1.376742 [38464/60000]
loss: 1.304958 [44864/60000]
loss: 1.347153 [51264/60000]
loss: 1.230657 [57664/60000]
Test Error:
Accuracy: 62.7%, Avg loss: 1.260888
Epoch 5
-------------------------------
loss: 1.337799 [ 64/60000]
loss: 1.313273 [ 6464/60000]
loss: 1.151835 [12864/60000]
loss: 1.252141 [19264/60000]
loss: 1.123040 [25664/60000]
loss: 1.159529 [32064/60000]
loss: 1.175010 [38464/60000]
loss: 1.115551 [44864/60000]
loss: 1.160972 [51264/60000]
loss: 1.062725 [57664/60000]
Test Error:
Accuracy: 64.6%, Avg loss: 1.087372
Done!
阅读更多关于训练你的模型的信息。
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）。
torch.save(model.state_dict(), "model.pth")
print("Saved PyTorch Model State to model.pth")
Saved PyTorch Model State to model.pth
加载模型¶
加载模型的过程包括重新创建模型结构并将状态字典加载到其中。
model = NeuralNetwork().to(device)
model.load_state_dict(torch.load("model.pth", weights_only=True))
<All keys matched successfully>
这个模型现在可以用于进行预测。
classes = [
"T-shirt/top",
"Trouser",
"Pullover",
"Dress",
"Coat",
"Sandal",
"Shirt",
"Sneaker",
"Bag",
"Ankle boot",
]
model.eval()
x, y = test_data[0][0], test_data[0][1]
with torch.no_grad():
x = x.to(device)
pred = model(x)
predicted, actual = classes[pred[0].argmax(0)], classes[y]
print(f'Predicted: "{predicted}", Actual: "{actual}"')
Predicted: "Ankle boot", Actual: "Ankle boot"
阅读更多关于保存与加载你的模型的信息。
脚本总运行时间： ( 0 分 36.021 秒)
