Pytorch面试题面经

1.conv2d的实现：

接口定义：

class torch.nn.Conv2d(in_channels,
	out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1,
	bias=True)

参数说明：

in_channels (int) – 输入通道个数。
out_channels (int) – 输出通道个数。有多少个out_channels，就需要多少个卷积（也就是卷积核的数量）
kernel_size(int or tuple) –
卷积核的尺寸；卷积核的第二个维度由in_channels决定，所以实际上卷积核的大小为kernel_size * in_channels
stride (int or tuple, optional) – 卷积操作的步长, 默认：1
padding (int or tuple, optional) – 输入数据各维度各边上要补齐0的层数，默认： 0
dilation (int or tuple, optional) – 卷积核各元素之间的距离，默认： 1
groups (int, optional) – 输入通道与输出通道之间相互隔离的连接的个数，默认：1
bias (bool, optional) – 如果被置为True，向输出增加一个偏差量，此偏差是可学习参数。默认：True

channel的理解：
在这里插入图片描述

最初输入的图片样本的 channels ，取决于图片类型，比如RGB；
卷积操作完成后输出的 out_channels ，取决于卷积核的数量。此时的 out_channels 也会作为下一次卷积时的卷积核的 in_channels；
卷积核中的 in_channels ，刚刚2中已经说了，就是上一次卷积的 out_channels，如果是第一次做卷积，就是1中样本图片的 channels 。

2.pytorch如何微调fine tuning：

在加载了预训练模型参数之后，需要finetuning模型，可以使用不同的方式finetune：

局部微调： 加载了模型参数后，只想调节最后几层，其它层不训练，也就是不进行梯度计算，pytorch提供的requires_grad使得对训练的控制变得非常简单。

model = torchvision.models.resnet18(pretrained=True)
for param in model.parameters():
    param.requires_grad = False
# 替换最后的全连接层， 改为训练100类
# 新构造的模块的参数默认requires_grad为True
model.fc = nn.Linear(512, 100)
 
# 只优化最后的分类层
optimizer = optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9)

全局微调： 对全局微调时，只不过我们希望改换过的层和其他层的学习速率不一样，这时候把其它层和新层在optimizer中单独赋予不同的学习速率。

ignored_params = list(map(id, model.fc.parameters()))
base_params = filter(lambda p: id(p) not in ignored_params,
                     model.parameters())
 
optimizer = torch.optim.SGD([
            {
    
    'params': base_params},
            {
    
    'params': model.fc.parameters(), 'lr': 1e-3}
            ], lr=1e-2, momentum=0.9)

3.pytorch使用多gpu。

model.gpu() 把模型放在gpu上
model = nn . DataParallel ( model ) 。DataParallel并行的方式，是将输入一个batch的数据均分成多份，分别送到对应的GPU进行计算，各个GPU得到的梯度累加。与Module相关的所有数据也都会以浅复制的方式复制多份，在此需要注意，在module中属性应该是只读的。
对模型和相应的数据进行.cuda()处理，可以将内存中的数据复制到gpu显存中去

model = Model(input_size, output_size)
if torch.cuda.device_count() > 1:
  print("Let's use", torch.cuda.device_count(), "GPUs!")
  # dim = 0 [30, xxx] -> [10, ...], [10, ...], [10, ...] on 3 GPUs
  model = nn.DataParallel(model)
 
if torch.cuda.is_available():
   model.cuda()

torch.nn：核心数据结构是Module,抽象的概念，既可以表示神经网络某个层layer，也可以表示一个包含很多层的神经网络。常见做法是继承nn.Module,编写自己的层。

自定义层必须继承nn.Module，并且在其构造函数中需调用nn.Module的构造函数，super(xx,self).init()
在构造函数__init__中必须自定义可学习的参数，并封装成Parameter
forward函数实现前向传播过程，其输入可以是一个或者多个tensor。无需写反向传播函数，nn.Module能够利用autograd自动实现反向传播，这比function简单的多
Module中可学习参数可以通过named_parameters()或者parameters()返回迭代器，前者会给每个parameter附上名字，使其更具有辨识度。
pytorch实现了大部分的layer,这些layer都继承于nn.Module

nn.conv2d卷积层
AvgPool,Maxpool,AdaptiveAvgPool
TransposeConv逆卷积
nn.Linear全连接层
nn.BatchNorm1d(1d,2d,3d)
nn.dropout
nn.ReLU
nn.Sequential
nn.ModuleList（），可以包含几个子module，可以像list一样使用它，但不能直接把输入传给MuduleList
nn.LSTM(4,3,1) 输入向量4维，隐藏元3,1层 nn.LSTMCell(4,3) 对应层数只能是一层
nn.Embedding(4,5)4个词，每个词使用5个向量表示
损失函数也是nn.Module的子类。nn.CrossEntropLoss() loss = criterion(score,label)

torch.optim 将深度学习常用优化方法全部封装在torch.optim中，所有优化方法继承基类optim.Optimizer，并实现了自己的优化步骤

optimizer = optim.SGD(param=net.parameters(),lr=1)
optimizer.zero_grad() #梯度清零，等价于net.zero_grad()
input = t.randn(1,3,32,32)
output = net(input)
output.backward(output)
optimizer.step()
对不同网络设置不同学习率

# 为不同子网络设置不同的学习率，在finetune中经常用到
# 如果对某个参数不指定学习率，就使用最外层的默认学习率
optimizer =optim.SGD([
                {
    
    'params': net.features.parameters()}, # 学习率为1e-5
                {
    
    'params': net.classifier.parameters(), 'lr': 1e-2}
            ], lr=1e-5)

调整学习率的方法，两种

扫描二维码关注公众号，回复： 14704371 查看本文章

修改optimizer.param_groups中对应的学习率
新建优化器

# 方法1: 调整学习率，新建一个optimizer
old_lr = 0.1
optimizer1 =optim.SGD([
                {
    
    'params': net.features.parameters()},
                {
    
    'params': net.classifier.parameters(), 'lr': old_lr*0.1}
            ], lr=1e-5)
 
# 方法2: 调整学习率, 手动decay, 保存动量
for param_group in optimizer.param_groups:
    param_group['lr'] *= 0.1 # 学习率为之前的0.1倍

nn.functional中的函数和nn.Module主要区别：

nn.Module实现的layers是一个特殊的类，都是有class layer(nn.Module)定义，会自动提取可学习的参数
nn.functional中的函数更像是纯函数，由def function(input)定义
也就是说如果模型有可学习的参数，最好用nn.Module否则使用哪个都可以，二者在性能上没多大差异，
对于卷积，全连接等具有可学习参数的网络建议使用nn.Module
激活函数（ReLU,sigmoid,tanh），池化等可以使用functional替代。对于不具有可学习参数的层，将他们用函数代替，这样可以不用放在构造函数__init__中。

如何在多个gpu上并行计算,pytorch提供了两个函数，可实现简单高效的并行gpu计算

nn.parallel.data_parallel(module, inputs, device_ids=None,
output_device=None, dim=0, module_kwargs=None)
class torch.nn.DataParallel(module, device_ids=None,
output_device=None, dim=0)
通过device_ids参数可以指定在哪些gpu上优化

DataLoader函数

定义如下：对batch的数据进行操作，同时还需要对数据进行shuffle和并行加速等。
DataLoader(dataset, batch_size=1, shuffle=False, sampler=None, num_workers=0, collate_fn=default_collate, pin_memory=False, drop_last=False)

dataset：加载的数据集(Dataset对象)
batch_size：batch size
shuffle:：是否将数据打乱
sampler：样本抽样，后续会详细介绍
num_workers：使用多进程加载的进程数，0代表不使用多进程
collate_fn：如何将多个样本数据拼接成一个batch，一般使用默认的拼接方式即可
pin_memory：是否将数据保存在pin memory区，pin memory中的数据转到GPU会快一些
drop_last：dataset中的数据个数可能不是batch_size的整数倍，drop_last为True会将多出来不足一个batch的数据丢弃

1.conv2d的实现：

2.pytorch如何微调fine tuning：

3.pytorch使用多gpu。

如何在多个gpu上并行计算,pytorch提供 了两个函数，可实现简单高效的并行gpu计算

DataLoader函数

猜你喜欢

如何在多个gpu上并行计算,pytorch提供了两个函数，可实现简单高效的并行gpu计算