1. Pytorch完成模型常用API

1.1 nn .Module

nn.Modul 是torch.nn提供的一个类，是pytorch中我们自定义网络的一个基类，在这个类中定义了很多有用的方法，让我们在继承这个类定义网络的时候非常简单
当我们自定义网络的时候，有两个方法需要特别注意:

_init_需要调用super方法，继承父类的属性和方法
farward方法必须实现，用来定义我们的网络的向前计算的过程

用前面的y=wx+b的模型举例如下:

from torch import nn


class Lr(nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = nn.Linear(1, 1)

    def forward(self, x):
        out = self.linear(x)
        return out

注意：

1.nn.Linear为torch预定义好的线性模型，也被称为全链接层，传入的参数为输入的数量，输出的数量(in_features,out features)是不算(batch_size的列数)

2nn.Modue定义了_call_方法，实现的就是调用forward方法，即Lr的实例，能够直按被传入参数调用，实际上调用的是forward方法并传入参数

#实例化模型
model = Lr()
# 传入数据，计算结果
predict = model(x)

1.2 优化类

优化器(optimizer)，可以理解为torch为我们封装的用来进行更新参数的方法，比如常见的随机梯度下降(stochastic gradient descent,SGD)
优化器类都是由torch.optim提供的，例如

torch.optim.SGD(参数，学习率)
torch.optim.Adam(参数，学习率)

注意:

参数可以使用mode1.parameters0来获取，获取横型中所有requires_grad=True的参数
优化类的使用方法

实例化
所有参数的梯度，将具值置为0
反向传计算梯度
更新参数值

示例如下:

optimizer = optim.SGD(model.parameters(), lr=1e-3)  # 1.实例化
optimizer.zero_grad()  # 2，梯度置为0
loss.backward  # 3.计算梯底
optimizer.step()  # 4，更新参教的信

1.3 损失函数

前面的例了是一个回归问题，torch中也预测了很多损失函数

均方误差:nn.MSEloss0常用语分类问题
交叉煽损失: nn.crossEntropyLoss()，常用语逻辑回归

使用方法· `

model = Lr()  # 实例化模型
criterion = nn.MSELoss()  # 2. 实例化损失函数
optimizer = optim.SGD(model.parameters(), lr=1e-3)  # 3. 实例化优化器类
for i in range(100):
    y_predict = model(x)  # 4. 前向计算预测值
    loss = criterion(y, y_predict)  # 5. 调用损失函数传入真实值和预测值，得到损失结果
    optimizer.zero_grad()  # 6. 当前循环参数梯度置为0
    loss.backward()  # 7. 计算梯度
    optimizer.step()  # 8.更新参数的值

1.4 Pytorch线性回归的实现

import torch
from torch import nn, optim
from matplotlib import pyplot as plt

# 1. 定义数据
x = torch.rand([50, 1])
y = x * 3 + 0.8


# 2. 定义模型
class Lr(nn.Module):
    # 继承父类的init
    def __init__(self):
        super().__init__()
        self.linear = nn.Linear(1, 1)

    def forward(self, x):
        out = self.linear(x)
        return out


# 3. 实例化模型 loss 优化器
model = Lr()
loss_fn = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=1e-2)

# 4. 训练模型
for i in range(20000):
    y_predict = model(x) # 获取预测值
    loss = loss_fn(y, y_predict) # 计算损失
    optimizer.zero_grad() # 梯度置为0
    loss.backward() # 反向传播

    optimizer.step() # 更新参数

    if (i + 1) % 20 == 0:
        print(
            f'epoch {i} , loss {loss.data:.3f}, {list(model.parameters())[0].item()}, {list(model.parameters())[1].item()}')

# 5. 模型评估
model.eval()  # 设置模型为评估模式，即预测模式
predict = model(x)
predict = predict.data.numpy()
plt.scatter(x.data.numpy(), y.data.numpy(), c='r')
plt.plot(x.data.numpy(), predict)
plt.show()

注意
model.eval()表示设置模型为评估模式，即预测模式

model.train(mode=True) 表示设置模型为训练模式在当前的线性回归中，上述并无区别

但是在其他的一些模型中，训练的参数和预测的参数会不相同，到时候就需要具体告诉程序我们是

在进行训练还见预测，比如模型中存在Dropout，BatchNorm的时候

2. 使用GPU训练模型

当模型太大，或者参数太多的情况下，为了加快训练速度，经常会使用GPU来进行训练此时我们的代码需要稍作调整:

1.判断GPU是否可用torch.cuda,is_availabe()

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

2.把模型参数和input数据转化为cuda的支持类型

x.to(device)
model.to(device)

3.在GPU上计算结果也为cuda的数据类型，需要转化为numpy或者torch的cpu的tensor类型

predict = predict.cpu().detach().numpy()

detach()的效果和data的相似，但是detach()是深烤贝，data是取出其数值

【学习系列5】Pytorch API的使用