原文鏈接
PyTorch由于使用了強大的GPU加速的Tensor計算（類似numpy）和基于tape的autograd系統的深度神經網絡。這使得今年一月份被開源的PyTorch成為了深度學習領域新流行框架，許多新的論文在發表過程中都加入了大多數人不理解的PyTorch代碼。這篇文章我們就來講述一下我對PyTorch代碼的理解，希望能幫助你閱讀PyTorch代碼。整個過程是基于賈斯汀·約翰遜的偉大教程。如果你想了解更多或者有超過10分鐘的時間，建議你去讀下整篇代碼。
PyTorch由4個主要包裝組成：
Torch：類似于Numpy的通用數組庫，可以在將張量類型轉換為（torch.cuda.TensorFloat）并在GPU上進行計算。
torch.autograd：用于構建計算圖形并自動獲取漸變的包
torch.nn：具有共同層和成本函數的神經網絡庫
torch.optim：具有通用優化算法（如SGD，Adam等）的優化包
1.導入工具
你可以這樣導入PyTorch：
importtorch # arrays on GPUimporttorch.autogradasautograd #build a computational graphimporttorch.nnasnn # neural net libraryimporttorch.nn.functionalasF # most non-linearities are hereimporttorch.optimasoptim # optimizationpackage
2.torch數組取代了numpy ndarray - >在GPU支持下提供線性代數
第一個特色，PyTorch提供了一個像Numpy數組一樣的多維數組，當數據類型被轉換為（torch.cuda.TensorFloat）時，可以在GPU上進行處理。這個數組和它的關聯函數是一般的科學計算工具。
從下面的代碼中，我們可以發現，PyTorch提供的這個包的功能可以將我們常用的二維數組變成GPU可以處理的三維數組。這極大的提高了GPU的利用效率，提升了計算速度。
大家可以自己比較Torch和numpy，從而發現他們的優缺點。
#2matricesofsize 2x3 into a 3d tensor 2x2x3d=[[[1.,2.,3.],[4.,5.,6.]],[[7.,8.,9.],[11.,12.,13.]]]d=torch.Tensor(d) # arrayfrompython listprint"shape of the tensor:",d.size()# the first index is the depthz=d[0]+d[1]print"adding up the two matrices of the 3d tensor:",zshapeofthe tensor: torch.Size([2,2,3])adding up the two matricesofthe 3d tensor:81012151719[torch.FloatTensorofsize 2x3]# a heavily used operation is reshapingoftensors using .view()print d.view(2,-1) #-1makes torch infer the second dim123456789111213[torch.FloatTensorofsize 2x6]
3.torch.autograd可以生成一個計算圖- >自動計算梯度
第二個特色是autograd包，其提供了定義計算圖的能力，以便我們可以自動計算漸變梯度。在計算圖中，一個節點是一個數組，邊（edge）是on數組的一個操作。要做一個計算圖，我們需要在（torch.aurograd.Variable（））函數中通過包裝數組來創建一個節點。那么我們在這個節點上所做的所有操作都將被定義為邊，它們將是計算圖中新的節點。圖中的每個節點都有一個（node.data）屬性，它是一個多維數組和一個（node.grad）屬性，這是相對于一些標量值的漸變（node.grad也是一個.Variable（））。在定義計算圖之后，我們可以使用單個命令（loss.backward（））來計算圖中所有節點的損耗梯度。
使用torch.autograd.Variable（）將張量轉換為計算圖中的節點。
使用x.data訪問其值。
使用x.grad訪問其漸變。
在.Variable（）上執行操作，繪制圖形的邊緣。
# d is a tensor not a node, to create a node based on it:x= autograd.Variable(d, requires_grad=True)print"the node's data is the tensor:", x.data.size()print"the node's gradient is empty at creation:", x.grad # the grad is empty right nowthe node's data is the tensor: torch.Size([2,2,3])the node's gradient is empty at creation: None#dooperation on the node to make a computational graphy= x+1z=x+ys=z.sum()print s.creator# calculate gradientss.backward()print"the variable now has gradients:",x.gradthe variable now has gradients: Variable containing:(0,.,.) =222222(1,.,.) =222222[torch.FloatTensorofsize 2x2x3]
4.torch.nn包含各種NN層（張量行的線性映射）+（非線性）-->
其作用是有助于構建神經網絡計算圖，而無需手動操縱張量和參數，減少不必要的麻煩。
第三個特色是高級神經網絡庫（torch.nn），其抽象出了神經網絡層中的所有參數處理，以便于在通過幾個命令（例如torch.nn.conv）就很容易地定義NN。這個包也帶有流行的損失函數的功能（例如torch.nn.MSEloss）。我們首先定義一個模型容器，例如使用（torch.nn.Sequential）的層序列的模型，然后在序列中列出我們期望的層。這個高級神經網絡庫也可以處理其他的事情，我們可以使用（model.parameters（））訪問參數（Variable（））
# linear transformationofa 2x5 matrix into a 2x3 matrixlinear_map=nn.Linear(5,3)print"using randomly initialized params:", linear_map.parametersusing randomly initialized params: 3)># data has2exampleswith5features and3targetdata=torch.randn(2,5) # trainingy=autograd.Variable(torch.randn(2,3)) # target# make a nodex=autograd.Variable(data, requires_grad=True)# apply transformation to a node creates a computational grapha=linear_map(x)z=F.relu(a)o=F.softmax(z)print"output of softmax as a probability distribution:", o.data.view(1,-1)# lossfunctionloss_func=nn.MSELoss() #instantiate lossfunctionL=loss_func(z,y) # calculateMSE loss between output and targetprint"Loss:", Loutputofsoftmaxasa probability distribution:0.20920.19790.59290.43430.30380.2619[torch.FloatTensorofsize 1x6]Loss: Variable containing:2.9838[torch.FloatTensorofsize1]
我們還可以通過子類（torch.nn.Module）定義自定義層，并實現接受（Variable（））作為輸入的（forward（））函數，并產生（Variable（））作為輸出。我們也可以通過定義一個時間變化的層來做一個動態網絡。
定義自定義層時，需要實現2個功能：
_init_函數必須始終被繼承，然后層的所有參數必須在這里定義為類變量（self.x）
正向函數是我們通過層傳遞輸入的函數，使用參數對輸入進行操作并返回輸出。輸入需要是一個autograd.Variable（），以便pytorch可以構建圖層的計算圖。
classLog_reg_classifier(nn.Module):? ? def__init__(self, in_size,out_size):super(Log_reg_classifier,self).__init__() #always call parent's init? ? ? ? self.linear=nn.Linear(in_size, out_size) #layer parameters? ? defforward(self,vect):returnF.log_softmax(self.linear(vect)) #
5.torch.optim也可以做優化—>
我們使用torch.nn構建一個nn計算圖，使用torch.autograd來計算梯度，然后將它們提供給torch.optim來更新網絡參數。
第四個特色是與NN庫一起工作的優化軟件包（torch.optim）。該庫包含復雜的優化器，如Adam，RMSprop等。我們定義一個優化器并傳遞網絡參數和學習率（opt = torch.optim.Adam（model.parameters（），lr = learning_rate）），然后我們調用（opt.step（））對我們的參數進行近一步更新。
optimizer=optim.SGD(linear_map.parameters(),lr=1e-2) # instantiate optimizerwithmodel params + learning rate# epoch loop: we run following until convergenceoptimizer.zero_grad() # make gradients zeroL.backward(retain_variables=True)optimizer.step()print LVariable containing:2.9838[torch.FloatTensorofsize1]
建立神經網絡很容易，但是如何協同工作并不容易。這是一個示例顯示如何協同工作：
# define modelmodel =Log_reg_classifier(10,2)# define lossfunctionloss_func=nn.MSELoss() # define optimizeroptimizer=optim.SGD(model.parameters(),lr=1e-1)# send data through modelinminibatchesfor10epochsforepochinrange(10):forminibatch, targetindata:? ? ? ? model.zero_grad() # pytorch accumulates gradients, making them zeroforeach minibatch? ? ? ? #forward pass? ? ? ? out=model(autograd.Variable(minibatch))? ? ? ? #backward pass? ? ? ? L=loss_func(out,target) #calculate loss? ? ? ? L.backward() # calculate gradients? ? ? ? optimizer.step() # make an update step
希望上述的介紹能夠幫你更好的閱讀PyTorch代碼。
本文由北郵@愛可可-愛生活老師推薦，阿里云云棲社區組織翻譯。
文章原標題《Understand PyTorch code in 10 minutes》，
作者：Hamidreza Saghir，機器學習研究員-多倫多大學博士生 譯者：袁虎審閱：阿福
文章為簡譯，更為詳細的內容，請查看原文
