注意
點擊這裡下載完整的範例程式碼
學習基礎知識 || 快速入門 || 張量 || 資料集 & 資料載入器 || 轉換 || 建立模型 || Autograd || 最佳化 || 儲存 & 載入模型
快速入門¶
建立於：2021 年 2 月 9 日 | 最後更新：2025 年 1 月 24 日 | 最後驗證：未驗證
本節將介紹機器學習中常見任務的 API。請參閱每個章節中的連結以深入瞭解。
處理資料¶
PyTorch 有兩個 用於處理資料的基元：torch.utils.data.DataLoader 和 torch.utils.data.Dataset。Dataset 儲存樣本及其對應的標籤，而 DataLoader 將可迭代物件包裝在 Dataset 周圍。
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor
PyTorch 提供特定領域的程式庫，例如 TorchText、TorchVision 和 TorchAudio，所有這些程式庫都包含資料集。在本教學中，我們將使用 TorchVision 資料集。
torchvision.datasets 模組包含許多真實世界視覺資料的 Dataset 物件，例如 CIFAR、COCO (完整的清單在此)。在本教學中，我們使用 FashionMNIST 資料集。每個 TorchVision Dataset 都包含兩個引數：transform 和 target_transform，分別用於修改樣本和標籤。
# 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%| | 164k/26.4M [00:00<00:42, 620kB/s]
1%|1 | 393k/26.4M [00:00<00:25, 1.00MB/s]
5%|5 | 1.38M/26.4M [00:00<00:06, 3.60MB/s]
12%|#1 | 3.08M/26.4M [00:00<00:03, 6.33MB/s]
30%|### | 7.96M/26.4M [00:00<00:01, 17.4MB/s]
43%|####3 | 11.4M/26.4M [00:00<00:00, 21.9MB/s]
57%|#####7 | 15.1M/26.4M [00:01<00:00, 22.2MB/s]
74%|#######4 | 19.6M/26.4M [00:01<00:00, 27.9MB/s]
89%|########9 | 23.6M/26.4M [00:01<00:00, 31.0MB/s]
100%|##########| 26.4M/26.4M [00:01<00:00, 19.1MB/s]
0%| | 0.00/29.5k [00:00<?, ?B/s]
100%|##########| 29.5k/29.5k [00:00<00:00, 327kB/s]
0%| | 0.00/4.42M [00:00<?, ?B/s]
1%|1 | 65.5k/4.42M [00:00<00:12, 362kB/s]
5%|5 | 229k/4.42M [00:00<00:06, 681kB/s]
21%|## | 918k/4.42M [00:00<00:01, 2.49MB/s]
44%|####3 | 1.93M/4.42M [00:00<00:00, 4.13MB/s]
100%|##########| 4.42M/4.42M [00:00<00:00, 6.08MB/s]
0%| | 0.00/5.15k [00:00<?, ?B/s]
100%|##########| 5.15k/5.15k [00:00<00:00, 48.3MB/s]
我們將 Dataset 作為引數傳遞給 DataLoader。這會在我們的資料集上包裝一個可迭代物件，並支援自動批次處理、取樣、洗牌和多處理資料載入。在這裡，我們定義批次大小為 64，也就是說，資料載入器可迭代物件中的每個元素都將傳回一批 64 個特徵和標籤。
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
閱讀更多關於 在 PyTorch 中載入資料 的資訊。
建立模型¶
若要在 PyTorch 中定義神經網路，我們會建立一個繼承自 nn.Module 的類別。我們在 __init__ 函數中定義網路的層，並在 forward 函數中指定資料將如何通過網路。為了加速神經網路中的運算，我們會將其移動到 加速器，例如 CUDA、MPS、MTIA 或 XPU。如果目前的加速器可用，我們將使用它。否則，我們使用 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)
)
)
閱讀更多關於 在 PyTorch 中建立神經網路 的資訊。
最佳化模型參數¶
loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)
在單個訓練迴圈中，模型會對訓練資料集 (以批次形式饋送給它) 進行預測，並反向傳播預測誤差以調整模型的參數。
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}]")
我們還會根據測試資料集檢查模型的效能，以確保它正在學習。
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")
訓練過程會進行多次迭代 (epoch)。在每個 epoch 期間，模型都會學習參數以做出更好的預測。我們會印出模型在每個 epoch 的準確度和損失；我們希望看到準確度提高，而損失隨著每個 epoch 的減少。
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: 2.254235 [25664/60000]
loss: 2.237146 [32064/60000]
loss: 2.231055 [38464/60000]
loss: 2.205037 [44864/60000]
loss: 2.203240 [51264/60000]
loss: 2.170889 [57664/60000]
Test Error:
Accuracy: 53.9%, Avg loss: 2.168588
Epoch 2
-------------------------------
loss: 2.177787 [ 64/60000]
loss: 2.168083 [ 6464/60000]
loss: 2.114910 [12864/60000]
loss: 2.130412 [19264/60000]
loss: 2.087473 [25664/60000]
loss: 2.039670 [32064/60000]
loss: 2.054274 [38464/60000]
loss: 1.985457 [44864/60000]
loss: 1.996023 [51264/60000]
loss: 1.917241 [57664/60000]
Test Error:
Accuracy: 60.2%, Avg loss: 1.920374
Epoch 3
-------------------------------
loss: 1.951705 [ 64/60000]
loss: 1.919516 [ 6464/60000]
loss: 1.808730 [12864/60000]
loss: 1.846550 [19264/60000]
loss: 1.740618 [25664/60000]
loss: 1.698733 [32064/60000]
loss: 1.708889 [38464/60000]
loss: 1.614436 [44864/60000]
loss: 1.646475 [51264/60000]
loss: 1.524308 [57664/60000]
Test Error:
Accuracy: 61.4%, Avg loss: 1.547092
Epoch 4
-------------------------------
loss: 1.612695 [ 64/60000]
loss: 1.570870 [ 6464/60000]
loss: 1.424730 [12864/60000]
loss: 1.489542 [19264/60000]
loss: 1.367256 [25664/60000]
loss: 1.373464 [32064/60000]
loss: 1.376744 [38464/60000]
loss: 1.304962 [44864/60000]
loss: 1.347154 [51264/60000]
loss: 1.230661 [57664/60000]
Test Error:
Accuracy: 62.7%, Avg loss: 1.260891
Epoch 5
-------------------------------
loss: 1.337803 [ 64/60000]
loss: 1.313278 [ 6464/60000]
loss: 1.151837 [12864/60000]
loss: 1.252142 [19264/60000]
loss: 1.123048 [25664/60000]
loss: 1.159531 [32064/60000]
loss: 1.175011 [38464/60000]
loss: 1.115554 [44864/60000]
loss: 1.160974 [51264/60000]
loss: 1.062730 [57664/60000]
Test Error:
Accuracy: 64.6%, Avg loss: 1.087374
Done!
閱讀更多關於訓練您的模型。
儲存模型¶
一種儲存模型的常見方式是序列化內部狀態字典 (包含模型參數)。
torch.save(model.state_dict(), "model.pth")
print("Saved PyTorch Model State to model.pth")
Saved PyTorch Model State to model.pth
載入模型¶
載入模型的流程包含重新建立模型結構並將狀態字典載入其中。
model = NeuralNetwork().to(device)
model.load_state_dict(torch.load("model.pth", weights_only=True))
<All keys matched successfully>
現在可以使用此模型進行預測。
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"
閱讀更多關於儲存 & 載入您的模型。
腳本總執行時間： ( 0 分鐘 59.718 秒)
