【干货】深度学习实验流程及PyTorch提供的解决方案
【导读】近日,专知小组博士生huaiwen创作了一系列PyTorch实战教程，致力于介绍如何用PyTorch实践你的科研想法。今天推出其创作的第一篇《深度学习实验流程及PyTorch提供的解决方案》。在研究深度学习的过程中，当你脑中突然迸发出一个灵感，你是否发现没有趁手的工具可以快速实现你的想法？看完本文之后，你可能会多出一个选择。本文简要的分析了研究深度学习问题时常见的工作流, 并介绍了怎么使用PyTorch来快速构建你的实验。如果本文能为您的科研道路提供一丝便捷，我们将不胜荣幸。
专知公众号以前推出PyTorch手把手系列教程：
▌常见的Research workflow
某一天, 你坐在实验室的椅子上, 突然:
你脑子里迸发出一个idea
你看了关于某一theory的文章, 想试试: 要是把xx也加进去会怎么样
你老板突然给你一张纸, 然后说: 那个谁, 来把这个东西实现一下
于是, 你设计了实验流程, 并为这一idea 挑选了合适的数据集和运行环境, 然后你废寝忘食的实现了模型, 经过长时间的训练和测试, 你发现:
这idea不work --> 那算了 or 再调调
这idea很work --> 可以写paper了
我们可以把上述流程用下图表示:
实际上, 常见的流程由下面几项组成起来:
一旦选定了数据集, 你就要写一些函数去load 数据集, 然后pre-process数据集, normalize 数据集, 可以说这是一个实验中占比重最多的部分, 因为:
每个数据集的格式都不太一样
预处理和正则化的方式也不尽相同
需要一个快速的dataloader 来feed data, 越快越好
然后, 你就要实现自己的模型, 如果你是CV方向的你可能想实现一个ResNet,如果你是NLP相关的你可能想实现一个Seq2Seq
接下来, 你需要实现训练步骤, 分batch, 循环epoch
在若干轮的训练后, 总要checkpoint一下, 才是最安全的
你还需要构建一些baseline,以验证自己idea的有效性
如果你实现的是神经网络模型, 当然离不开GPU的支持
很多深度学习框架提供了常见的损失函数, 但大部分时间, 损失函数都要和具体任务结合起来, 然后重新实现
使用优化方法, 优化构建的模型, 动态调整学习率
▌Pytorch 给出的解决方案
对于加载数据, Pytorch提出了多种解决办法
Pytorch 是一个Python包,而不是某些大型C++库的Python 接口, 所以, 对于数据集本身提供Python API的, Pytorch 可以直接调用, 不必特殊处理.
Pytorch 集成了常用数据集的data loader
虽然以上措施已经能涵盖大部分数据集了, 但Pytorch还开展了两个项目: vision, 和text, 见下图灰色背景部分. 这两个项目, 采用众包机制, 收集了大量的dataloader, pre-process 以及 normalize, 分别对应于图像和文本信息.
如果你要自定义数据集，也只需要继承torch.utils.data.dataset
对于构建模型, Pytorch也提供了三种方案
众包的模型: torch.utils.model_zoo , 你可以使用这个工具, 加载大家共享出来的模型
使用torch.nn.Sequential 模块快速构建
torch.nn.Linear(1, 10),
torch.nn.ReLU(),
torch.nn.Linear(10, 1)
)
print(net)
'''
Sequential (
(0): Linear (1 -> 10)
(1): ReLU ()
(2): Linear (10 -> 1)
)
'''
集成torch.nn.Module 深度定制
class Net(torch.nn.Module):
def __init__(self, n_feature, n_hidden, n_output):
super(Net, self).__init__()
self.hidden = torch.nn.Linear(n_feature, n_hidden)
self.predict = torch.nn.Linear(n_hidden, n_output)
def forward(self, x):
x = F.relu(self.hidden(x))
x = self.predict(x)
return x
net = Net(1, 10, 1)
print(net)
'''
Net (
(hidden): Linear (1 -> 10)
(predict): Linear (10 -> 1)
)
'''
对于训练过程的Pytorch实现
你当然可以自己实现数据的batch, shuffer等,但Pytorch 建议用类torch.utils.data.DataLoader加载数据，并对数据进行采样，生成batch迭代器。
loader = Data.DataLoader(
dataset=torch_dataset, # TensorDataset类型数据集
batch_size=BATCH_SIZE, # mini batch size
shuffle=True, # 设置随机洗牌
num_workers=2, # 加载数据的进程个数
)
for epoch in range(3): # 训练3轮
for step, (batch_x, batch_y) in enumerate(loader): # 每一步
# 在这里写训练代码...
print('Epoch: ', epoch)
对于保存和加载模型Pytorch提供两种方案
保存和加载整个网络
torch.save(resnet, 'model.pkl')
model = torch.load('model.pkl')
保存和加载网络中的参数
resnet.load_state_dict(torch.load('params.pkl'))
对于GPU支持
你可以直接调用Tensor的.cuda() 直接将Tensor的数据迁移到GPU的显存上, 当然, 你也可以用.cpu() 随时将数据移回内存
if torch.cuda.is_available():
linear = linear.cuda() # 将网络中的参数和缓存移到GPU显存中
对于Loss函数, 以及自定义Loss
在Pytorch的包torch.nn里, 不仅包含常用且经典的Loss函数, 还会实时跟进新的Loss 包括: CosineEmbeddingLoss, TripletMarginLoss等.
如果你的idea非常新颖, Pytorch提供了三种自定义Loss的方式
继承torch.nn.module
import torch.nn as nn
import torch.nn.functional as func
class MyLoss(nn.Module):
# 设置超参
def __init__(self, a, b, c):
super(TripletLossFunc, self).__init__()
self.a = a
self.b = b
self.c = c
return
def forward(self, a, b, c):
# 具体实现
loss = a + b + c
return loss
然后
loss_instance = MyLoss(...)loss = loss_instance(a, b, c)
这样做, 你能够用torch.nn.functional里优化过的各种函数来组成你的Loss
继承torch.autograd.Function
from torch.autograd import Function
from torch.autograd import Variable
class MyLoss(Function):
def forward(input_tensor):
# 具体实现
result = ......
return torch.Tensor(result)
def backward(grad_output):
# 如果你只是需要在loss中应用这个操作的时候，这里直接return输入就可以了
# 如果你需要在nn中用到这个，需要写明具体的反向传播操作
return grad_output
这样做，你能够用常用的numpy和scipy函数来组成你的Loss
写一个Pytorch的C扩展
这里就不细讲了，未来会有内容专门介绍这一部分。
对于优化算法以及调节学习率
Pytorch集成了常见的优化算法, 包括SGD, Adam, SparseAdam, AdagradRMSprop, Rprop等等.
torch.optim.lr_scheduler 提供了多种方式来基于epoch迭代次数调节学习率 torch.optim.lr_scheduler.ReduceLROnPlateau 还能够基于实时的学习结果, 动态调整学习率.
希望第一篇《深度学习实验流程及PyTorch提供的解决方案》，大家会喜欢，后续会推出系列实战教程，敬请期待。
-END-
专 · 知
人工智能领域主题知识资料查看获取：【专知荟萃】人工智能领域26个主题知识资料全集（入门/进阶/论文/综述/视频/专家等）
请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！
请扫一扫如下二维码关注我们的公众号，获取人工智能的专业知识！
请加专知小助手微信（Rancho_Fang），加入专知主题人工智能群交流！
点击“阅读原文”，使用专知