源：关于数据分析与可视化

本文约8000字，建议阅读10+分钟

本文是PyTorch常用代码段合集，涵盖基本配置、张量处理、模型定义与操作、数据处理、模型训练与测试等5个方面，还给出了多个值得注意的Tips，内容非常全面。

PyTorch最好的资料是官方文档。本文是PyTorch常用代码段，在参考资料[1](张皓：PyTorch Cookbook)的基础上做了一些修补，方便使用时查阅。

基本配置

导入包和版本查询

import torch

import torch.nn as nn

import torchvision

print(torch.__version__)

print(torch.version.cuda)

print(torch.backends.cudnn.version())

print(torch.cuda.get_device_name(0))

可复现性

在硬件设备（CPU、GPU）不同时，完全的可复现性无法保证，即使随机种子相同。但是，在同一个设备上，应该保证可复现性。具体做法是，在程序开始的时候固定torch的随机种子，同时也把numpy的随机种子固定。

np.random.seed(0)

torch.manual_seed(0)

torch.cuda.manual_seed_all(0)




torch.backends.cudnn.deterministic = True

torch.backends.cudnn.benchmark = False

显卡设置

如果只需要一张显卡。

# Device configuration

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

如果需要指定多张显卡，比如0，1号显卡。

import osos.environ['CUDA_VISIBLE_DEVICES'] = '0,1'

也可以在命令行运行代码时设置显卡：

CUDA_VISIBLE_DEVICES=0,1 python train.py

清除显存：

torch.cuda.empty_cache()

也可以使用在命令行重置GPU的指令：

nvidia-smi --gpu-reset -i [gpu_id]

张量(Tensor)处理

张量的数据类型

PyTorch有9种CPU张量类型和9种GPU张量类型。

张量基本信息

tensor = torch.randn(3,4,5)print(tensor.type())  # 数据类型print(tensor.size())  # 张量的shape，是个元组print(tensor.dim())   # 维度的数量

命名张量

张量命名是一个非常有用的方法，这样可以方便地使用维度的名字来做索引或其他操作，大大提高了可读性、易用性，防止出错。

# 在PyTorch 1.3之前，需要使用注释
# Tensor[N, C, H, W]
images = torch.randn(32, 3, 56, 56)
images.sum(dim=1)
images.select(dim=1, index=0)


# PyTorch 1.3之后
NCHW = [‘N’, ‘C’, ‘H’, ‘W’]
images = torch.randn(32, 3, 56, 56, names=NCHW)
images.sum('C')
images.select('C', index=0)
# 也可以这么设置
tensor = torch.rand(3,4,1,2,names=('C', 'N', 'H', 'W'))
# 使用align_to可以对维度方便地排序
tensor = tensor.align_to('N', 'C', 'H', 'W')

数据类型转换

# 设置默认类型，pytorch中的FloatTensor远远快于DoubleTensor

torch.set_default_tensor_type(torch.FloatTensor)




# 类型转换

tensor = tensor.cuda()

tensor = tensor.cpu()

tensor = tensor.float()

tensor = tensor.long()

torch.Tensor与np.ndarray转换

除了CharTensor，其他所有CPU上的张量都支持转换为numpy格式然后再转换回来。

ndarray = tensor.cpu().numpy()

tensor = torch.from_numpy(ndarray).float()

tensor = torch.from_numpy(ndarray.copy()).float() # If ndarray has negative stride.

Torch.tensor与PIL.Image转换

# pytorch中的张量默认采用[N, C, H, W]的顺序，并且数据范围在[0,1]，需要进行转置和规范化

# torch.Tensor -> PIL.Image

image = PIL.Image.fromarray(torch.clamp(tensor*255, min=0, max=255).byte().permute(1,2,0).cpu().numpy())

image = torchvision.transforms.functional.to_pil_image(tensor)  # Equivalently way




# PIL.Image -> torch.Tensor

path = r'./figure.jpg'

tensor = torch.from_numpy(np.asarray(PIL.Image.open(path))).permute(2,0,1).float() / 255

tensor = torchvision.transforms.functional.to_tensor(PIL.Image.open(path)) # Equivalently way

np.ndarray与PIL.Image的转换

image = PIL.Image.fromarray(ndarray.astype(np.uint8))

ndarray = np.asarray(PIL.Image.open(path))

从只包含一个元素的张量中提取值

value = torch.rand(1).item()

张量形变

# 在将卷积层输入全连接层的情况下通常需要对张量做形变处理，

# 相比torch.view，torch.reshape可以自动处理输入张量不连续的情况




tensor = torch.rand(2,3,4)

shape = (6, 4)

tensor = torch.reshape(tensor, shape)

打乱顺序

tensor = tensor[torch.randperm(tensor.size(0))]  # 打乱第一个维度

水平翻转

# pytorch不支持tensor[::-1]这样的负步长操作，水平翻转可以通过张量索引实现

# 假设张量的维度为[N, D, H, W].




tensor = tensor[:,:,:,torch.arange(tensor.size(3) - 1, -1, -1).long()]

复制张量

# Operation                 |  New/Shared memory | Still in computation graph |
tensor.clone()            # |        New         |          Yes               |
tensor.detach()           # |      Shared        |          No                |
tensor.detach.clone()()   # |        New         |          No                |

张量拼接

'''

注意torch.cat和torch.stack的区别在于torch.cat沿着给定的维度拼接，

而torch.stack会新增一维。例如当参数是3个10x5的张量，torch.cat的结果是30x5的张量，

而torch.stack的结果是3x10x5的张量。

'''

tensor = torch.cat(list_of_tensors, dim=0)

tensor = torch.stack(list_of_tensors, dim=0)

将整数标签转为one-hot编码

# pytorch的标记默认从0开始

tensor = torch.tensor([0, 2, 1, 3])

N = tensor.size(0)

num_classes = 4

one_hot = torch.zeros(N, num_classes).long()

one_hot.scatter_(dim=1, index=torch.unsqueeze(tensor, dim=1), src=torch.ones(N, num_classes).long())

得到非零元素

torch.nonzero(tensor)               # index of non-zero elements

torch.nonzero(tensor==0)            # index of zero elements

torch.nonzero(tensor).size(0)       # number of non-zero elements

torch.nonzero(tensor == 0).size(0)  # number of zero elements

判断两个张量相等

torch.allclose(tensor1, tensor2)  # float tensor

torch.equal(tensor1, tensor2)     # int tensor

张量扩展

# Expand tensor of shape 64*512 to shape 64*512*7*7.

tensor = torch.rand(64,512)

torch.reshape(tensor, (64, 512, 1, 1)).expand(64, 512, 7, 7)

矩阵乘法

# Matrix multiplcation: (m*n) * (n*p) * -> (m*p).

result = torch.mm(tensor1, tensor2)




# Batch matrix multiplication: (b*m*n) * (b*n*p) -> (b*m*p)

result = torch.bmm(tensor1, tensor2)




# Element-wise multiplication.

result = tensor1 * tensor2

计算两组数据之间的两两欧式距离

利用广播机制

dist = torch.sqrt(torch.sum((X1[:,None,:] - X2) ** 2, dim=2))

模型定义和操作

一个简单两层卷积网络的示例：

# convolutional neural network (2 convolutional layers)

class ConvNet(nn.Module):

    def __init__(self, num_classes=10):

        super(ConvNet, self).__init__()

        self.layer1 = nn.Sequential(

            nn.Conv2d(1, 16, kernel_size=5, stride=1, padding=2),

            nn.BatchNorm2d(16),

            nn.ReLU(),

            nn.MaxPool2d(kernel_size=2, stride=2))

        self.layer2 = nn.Sequential(

            nn.Conv2d(16, 32, kernel_size=5, stride=1, padding=2),

            nn.BatchNorm2d(32),

            nn.ReLU(),

            nn.MaxPool2d(kernel_size=2, stride=2))

        self.fc = nn.Linear(7*7*32, num_classes)




    def forward(self, x):

        out = self.layer1(x)

        out = self.layer2(out)

        out = out.reshape(out.size(0), -1)

        out = self.fc(out)

        return out




model = ConvNet(num_classes).to(device)

卷积层的计算和展示可以用这个网站辅助。

双线性汇合（bilinear pooling）

X = torch.reshape(N, D, H * W)                        # Assume X has shape N*D*H*W

X = torch.bmm(X, torch.transpose(X, 1, 2)) / (H * W)  # Bilinear pooling

assert X.size() == (N, D, D)

X = torch.reshape(X, (N, D * D))

X = torch.sign(X) * torch.sqrt(torch.abs(X) + 1e-5)   # Signed-sqrt normalization

X = torch.nn.functional.normalize(X)                  # L2 normalization

多卡同步 BN（Batch normalization）

当使用 torch.nn.DataParallel 将代码运行在多张 GPU 卡上时，PyTorch 的 BN 层默认操作是各卡上数据独立地计算均值和标准差，同步 BN 使用所有卡上的数据一起计算 BN 层的均值和标准差，缓解了当批量大小（batch size）比较小时对均值和标准差估计不准的情况，是在目标检测等任务中一个有效的提升性能的技巧。

sync_bn = torch.nn.SyncBatchNorm(num_features, 

                                 eps=1e-05, 

                                 momentum=0.1, 

                                 affine=True, 

                                 track_running_stats=True)

将已有网络的所有BN层改为同步BN层

def convertBNtoSyncBN(module, process_group=None):

    '''Recursively replace all BN layers to SyncBN layer.




    Args:

        module[torch.nn.Module]. Network

    '''

    if isinstance(module, torch.nn.modules.batchnorm._BatchNorm):

        sync_bn = torch.nn.SyncBatchNorm(module.num_features, module.eps, module.momentum, 

                                         module.affine, module.track_running_stats, process_group)

        sync_bn.running_mean = module.running_mean

        sync_bn.running_var = module.running_var

        if module.affine:

            sync_bn.weight = module.weight.clone().detach()

            sync_bn.bias = module.bias.clone().detach()

        return sync_bn

    else:

        for name, child_module in module.named_children():

            setattr(module, name) = convert_syncbn_model(child_module, process_group=process_group))

        return module

类似 BN 滑动平均

如果要实现类似 BN 滑动平均的操作，在 forward 函数中要使用原地（inplace）操作给滑动平均赋值。

class BN(torch.nn.Module)

    def __init__(self):

        ...

        self.register_buffer('running_mean', torch.zeros(num_features))




    def forward(self, X):

        ...

        self.running_mean += momentum * (current - self.running_mean)

计算模型整体参数量

num_parameters = sum(torch.numel(parameter) for parameter in model.parameters())

查看网络中的参数

可以通过model.state_dict()或者model.named_parameters()函数查看现在的全部可训练参数（包括通过继承得到的父类中的参数）

params = list(model.named_parameters())

(name, param) = params[28]

print(name)

print(param.grad)

print('-------------------------------------------------')

(name2, param2) = params[29]

print(name2)

print(param2.grad)

print('----------------------------------------------------')

(name1, param1) = params[30]

print(name1)

print(param1.grad)

模型可视化（使用pytorchviz）

szagoruyko/pytorchvizgithub.com

类似 Keras 的 model.summary() 输出模型信息，使用pytorch-summary。

sksq96/pytorch-summarygithub.com

模型权重初始化

注意 model.modules() 和 model.children() 的区别：model.modules() 会迭代地遍历模型的所有子层，而 model.children() 只会遍历模型下的一层。

# Common practise for initialization.

for layer in model.modules():

    if isinstance(layer, torch.nn.Conv2d):

        torch.nn.init.kaiming_normal_(layer.weight, mode='fan_out',

                                      nonlinearity='relu')

        if layer.bias is not None:

            torch.nn.init.constant_(layer.bias, val=0.0)

    elif isinstance(layer, torch.nn.BatchNorm2d):

        torch.nn.init.constant_(layer.weight, val=1.0)

        torch.nn.init.constant_(layer.bias, val=0.0)

    elif isinstance(layer, torch.nn.Linear):

        torch.nn.init.xavier_normal_(layer.weight)

        if layer.bias is not None:

            torch.nn.init.constant_(layer.bias, val=0.0)




# Initialization with given tensor.

layer.weight = torch.nn.Parameter(tensor)

提取模型中的某一层

modules()会返回模型中所有模块的迭代器，它能够访问到最内层，比如self.layer1.conv1这个模块，还有一个与它们相对应的是name_children()属性以及named_modules(),这两个不仅会返回模块的迭代器，还会返回网络层的名字。

# 取模型中的前两层

new_model = nn.Sequential(*list(model.children())[:2] 

# 如果希望提取出模型中的所有卷积层，可以像下面这样操作：

for layer in model.named_modules():

    if isinstance(layer[1],nn.Conv2d):

         conv_model.add_module(layer[0],layer[1])

部分层使用预训练模型

注意如果保存的模型是 torch.nn.DataParallel，则当前的模型也需要是：

model.load_state_dict(torch.load('model.pth'), strict=False)

将在 GPU 保存的模型加载到 CPU

model.load_state_dict(torch.load('model.pth', map_location='cpu'))

导入另一个模型的相同部分到新的模型

模型导入参数时，如果两个模型结构不一致，则直接导入参数会报错。用下面方法可以把另一个模型的相同的部分导入到新的模型中。

# model_new代表新的模型

# model_saved代表其他模型，比如用torch.load导入的已保存的模型

model_new_dict = model_new.state_dict()

model_common_dict = {k:v for k, v in model_saved.items() if k in model_new_dict.keys()}

model_new_dict.update(model_common_dict)

model_new.load_state_dict(model_new_dict)

数据处理

计算数据集的均值和标准差

import os

import cv2

import numpy as np

from torch.utils.data import Dataset

from PIL import Image







def compute_mean_and_std(dataset):

    # 输入PyTorch的dataset，输出均值和标准差

    mean_r = 0

    mean_g = 0

    mean_b = 0




    for img, _ in dataset:

        img = np.asarray(img) # change PIL Image to numpy array

        mean_b += np.mean(img[:, :, 0])

        mean_g += np.mean(img[:, :, 1])

        mean_r += np.mean(img[:, :, 2])




    mean_b /= len(dataset)

    mean_g /= len(dataset)

    mean_r /= len(dataset)




    diff_r = 0

    diff_g = 0

    diff_b = 0




    N = 0




    for img, _ in dataset:

        img = np.asarray(img)




        diff_b += np.sum(np.power(img[:, :, 0] - mean_b, 2))

        diff_g += np.sum(np.power(img[:, :, 1] - mean_g, 2))

        diff_r += np.sum(np.power(img[:, :, 2] - mean_r, 2))




        N += np.prod(img[:, :, 0].shape)




    std_b = np.sqrt(diff_b / N)

    std_g = np.sqrt(diff_g / N)

    std_r = np.sqrt(diff_r / N)




    mean = (mean_b.item() / 255.0, mean_g.item() / 255.0, mean_r.item() / 255.0)

    std = (std_b.item() / 255.0, std_g.item() / 255.0, std_r.item() / 255.0)

    return mean, std

得到视频数据基本信息

import cv2

video = cv2.VideoCapture(mp4_path)

height = int(video.get(cv2.CAP_PROP_FRAME_HEIGHT))

width = int(video.get(cv2.CAP_PROP_FRAME_WIDTH))

num_frames = int(video.get(cv2.CAP_PROP_FRAME_COUNT))

fps = int(video.get(cv2.CAP_PROP_FPS))

video.release()

TSN 每段（segment）采样一帧视频

K = self._num_segments

if is_train:

    if num_frames > K:

        # Random index for each segment.

        frame_indices = torch.randint(

            high=num_frames // K, size=(K,), dtype=torch.long)

        frame_indices += num_frames // K * torch.arange(K)

    else:

        frame_indices = torch.randint(

            high=num_frames, size=(K - num_frames,), dtype=torch.long)

        frame_indices = torch.sort(torch.cat((

            torch.arange(num_frames), frame_indices)))[0]

else:

    if num_frames > K:

        # Middle index for each segment.

        frame_indices = num_frames / K // 2

        frame_indices += num_frames // K * torch.arange(K)

    else:

        frame_indices = torch.sort(torch.cat((                              

            torch.arange(num_frames), torch.arange(K - num_frames))))[0]

assert frame_indices.size() == (K,)

return [frame_indices[i] for i in range(K)]

常用训练和验证数据预处理

其中 ToTensor 操作会将 PIL.Image 或形状为 H×W×D，数值范围为 [0, 255] 的 np.ndarray 转换为形状为 D×H×W，数值范围为 [0.0, 1.0] 的 torch.Tensor。

train_transform = torchvision.transforms.Compose([

    torchvision.transforms.RandomResizedCrop(size=224,

                                             scale=(0.08, 1.0)),

    torchvision.transforms.RandomHorizontalFlip(),

    torchvision.transforms.ToTensor(),

    torchvision.transforms.Normalize(mean=(0.485, 0.456, 0.406),

                                     std=(0.229, 0.224, 0.225)),

 ])

 val_transform = torchvision.transforms.Compose([

    torchvision.transforms.Resize(256),

    torchvision.transforms.CenterCrop(224),

    torchvision.transforms.ToTensor(),

    torchvision.transforms.Normalize(mean=(0.485, 0.456, 0.406),

                                     std=(0.229, 0.224, 0.225)),

])

模型训练和测试

分类模型训练代码

# Loss and optimizer

criterion = nn.CrossEntropyLoss()

optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)




# Train the model

total_step = len(train_loader)

for epoch in range(num_epochs):

    for i ,(images, labels) in enumerate(train_loader):

        images = images.to(device)

        labels = labels.to(device)




        # Forward pass

        outputs = model(images)

        loss = criterion(outputs, labels)




        # Backward and optimizer

        optimizer.zero_grad()

        loss.backward()

        optimizer.step()




        if (i+1) % 100 == 0:

            print('Epoch: [{}/{}], Step: [{}/{}], Loss: {}'

                  .format(epoch+1, num_epochs, i+1, total_step, loss.item()))

分类模型测试代码

# Test the model

model.eval()  # eval mode(batch norm uses moving mean/variance 

              #instead of mini-batch mean/variance)

with torch.no_grad():

    correct = 0

    total = 0

    for images, labels in test_loader:

        images = images.to(device)

        labels = labels.to(device)

        outputs = model(images)

        _, predicted = torch.max(outputs.data, 1)

        total += labels.size(0)

        correct += (predicted == labels).sum().item()




    print('Test accuracy of the model on the 10000 test images: {} %'

          .format(100 * correct / total))

自定义loss

继承torch.nn.Module类写自己的loss。

class MyLoss(torch.nn.Moudle):

    def __init__(self):

        super(MyLoss, self).__init__()




    def forward(self, x, y):

        loss = torch.mean((x - y) ** 2)

        return loss

标签平滑（label smoothing）

写一个label_smoothing.py的文件，然后在训练代码里引用，用LSR代替交叉熵损失即可。label_smoothing.py内容如下：

import torch

import torch.nn as nn







class LSR(nn.Module):




    def __init__(self, e=0.1, reduction='mean'):

        super().__init__()




        self.log_softmax = nn.LogSoftmax(dim=1)

        self.e = e

        self.reduction = reduction




    def _one_hot(self, labels, classes, value=1):

        """

            Convert labels to one hot vectors




        Args:

            labels: torch tensor in format [label1, label2, label3, ...]

            classes: int, number of classes

            value: label value in one hot vector, default to 1




        Returns:

            return one hot format labels in shape [batchsize, classes]

        """




        one_hot = torch.zeros(labels.size(0), classes)




        #labels and value_added  size must match

        labels = labels.view(labels.size(0), -1)

        value_added = torch.Tensor(labels.size(0), 1).fill_(value)




        value_added = value_added.to(labels.device)

        one_hot = one_hot.to(labels.device)




        one_hot.scatter_add_(1, labels, value_added)




        return one_hot




    def _smooth_label(self, target, length, smooth_factor):

        """convert targets to one-hot format, and smooth

        them.

        Args:

            target: target in form with [label1, label2, label_batchsize]

            length: length of one-hot format(number of classes)

            smooth_factor: smooth factor for label smooth




        Returns:

            smoothed labels in one hot format

        """

        one_hot = self._one_hot(target, length, value=1 - smooth_factor)

        one_hot += smooth_factor / (length - 1)




        return one_hot.to(target.device)




    def forward(self, x, target):




        if x.size(0) != target.size(0):

            raise ValueError('Expected input batchsize ({}) to match target batch_size({})'

                    .format(x.size(0), target.size(0)))




        if x.dim() < 2:

            raise ValueError('Expected input tensor to have least 2 dimensions(got {})'

                    .format(x.size(0)))




        if x.dim() != 2:

            raise ValueError('Only 2 dimension tensor are implemented, (got {})'

                    .format(x.size()))







        smoothed_target = self._smooth_label(target, x.size(1), self.e)

        x = self.log_softmax(x)

        loss = torch.sum(- x * smoothed_target, dim=1)




        if self.reduction == 'none':

            return loss




        elif self.reduction == 'sum':

            return torch.sum(loss)




        elif self.reduction == 'mean':

            return torch.mean(loss)




        else:

            raise ValueError('unrecognized option, expect reduction to be one of none, mean, sum')

或者直接在训练文件里做label smoothing：

for images, labels in train_loader:

    images, labels = images.cuda(), labels.cuda()

    N = labels.size(0)

    # C is the number of classes.

    smoothed_labels = torch.full(size=(N, C), fill_value=0.1 / (C - 1)).cuda()

    smoothed_labels.scatter_(dim=1, index=torch.unsqueeze(labels, dim=1), value=0.9)




    score = model(images)

    log_prob = torch.nn.functional.log_softmax(score, dim=1)

    loss = -torch.sum(log_prob * smoothed_labels) / N

    optimizer.zero_grad()

    loss.backward()

    optimizer.step()

Mixup训练

beta_distribution = torch.distributions.beta.Beta(alpha, alpha)

for images, labels in train_loader:

    images, labels = images.cuda(), labels.cuda()




    # Mixup images and labels.

    lambda_ = beta_distribution.sample([]).item()

    index = torch.randperm(images.size(0)).cuda()

    mixed_images = lambda_ * images + (1 - lambda_) * images[index, :]

    label_a, label_b = labels, labels[index]




    # Mixup loss.

    scores = model(mixed_images)

    loss = (lambda_ * loss_function(scores, label_a)

            + (1 - lambda_) * loss_function(scores, label_b))

    optimizer.zero_grad()

    loss.backward()

    optimizer.step()

L1 正则化

l1_regularization = torch.nn.L1Loss(reduction='sum')

loss = ...  # Standard cross-entropy loss




for param in model.parameters():

    loss += torch.sum(torch.abs(param))

loss.backward()

不对偏置项进行权重衰减（weight decay)

pytorch里的weight decay相当于l2正则：

bias_list = (param for name, param in model.named_parameters() if name[-4:] == 'bias')

others_list = (param for name, param in model.named_parameters() if name[-4:] != 'bias')

parameters = [{'parameters': bias_list, 'weight_decay': 0},                

              {'parameters': others_list}]

optimizer = torch.optim.SGD(parameters, lr=1e-2, momentum=0.9, weight_decay=1e-4)

梯度裁剪（gradient clipping）

torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=20)

得到当前学习率

# If there is one global learning rate (which is the common case).

lr = next(iter(optimizer.param_groups))['lr']




# If there are multiple learning rates for different layers.

all_lr = []

for param_group in optimizer.param_groups:

    all_lr.append(param_group['lr'])

另一种方法，在一个batch训练代码里，当前的lr是optimizer.param_groups[0]['lr']

学习率衰减

# Reduce learning rate when validation accuarcy plateau.

scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='max', patience=5, verbose=True)

for t in range(0, 80):

    train(...)

    val(...)

    scheduler.step(val_acc)




# Cosine annealing learning rate.

scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=80)

# Reduce learning rate by 10 at given epochs.

scheduler = torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones=[50, 70], gamma=0.1)

for t in range(0, 80):

    scheduler.step()    

    train(...)

    val(...)




# Learning rate warmup by 10 epochs.

scheduler = torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda=lambda t: t / 10)

for t in range(0, 10):

    scheduler.step()

    train(...)

    val(...)

优化器链式更新

从1.4版本开始，torch.optim.lr_scheduler 支持链式更新（chaining），即用户可以定义两个 schedulers，并交替在训练中使用。

import torch

from torch.optim import SGD

from torch.optim.lr_scheduler import ExponentialLR, StepLR

model = [torch.nn.Parameter(torch.randn(2, 2, requires_grad=True))]

optimizer = SGD(model, 0.1)

scheduler1 = ExponentialLR(optimizer, gamma=0.9)

scheduler2 = StepLR(optimizer, step_size=3, gamma=0.1)

for epoch in range(4):

    print(epoch, scheduler2.get_last_lr()[0])

    optimizer.step()

    scheduler1.step()

    scheduler2.step()

模型训练可视化

PyTorch可以使用tensorboard来可视化训练过程。

安装和运行TensorBoard。

pip install tensorboard

tensorboard --logdir=runs

使用SummaryWriter类来收集和可视化相应的数据，放了方便查看，可以使用不同的文件夹，比如'Loss/train'和'Loss/test'。

from torch.utils.tensorboard import SummaryWriter

import numpy as np




writer = SummaryWriter()




for n_iter in range(100):

    writer.add_scalar('Loss/train', np.random.random(), n_iter)

    writer.add_scalar('Loss/test', np.random.random(), n_iter)

    writer.add_scalar('Accuracy/train', np.random.random(), n_iter)

    writer.add_scalar('Accuracy/test', np.random.random(), n_iter)

保存与加载断点

注意为了能够恢复训练，我们需要同时保存模型和优化器的状态，以及当前的训练轮数。

start_epoch = 0

# Load checkpoint.

if resume: # resume为参数，第一次训练时设为0，中断再训练时设为1

    model_path = os.path.join('model', 'best_checkpoint.pth.tar')

    assert os.path.isfile(model_path)

    checkpoint = torch.load(model_path)

    best_acc = checkpoint['best_acc']

    start_epoch = checkpoint['epoch']

    model.load_state_dict(checkpoint['model'])

    optimizer.load_state_dict(checkpoint['optimizer'])

    print('Load checkpoint at epoch {}.'.format(start_epoch))

    print('Best accuracy so far {}.'.format(best_acc))




# Train the model

for epoch in range(start_epoch, num_epochs): 

    ... 




    # Test the model

    ...




    # save checkpoint

    is_best = current_acc > best_acc

    best_acc = max(current_acc, best_acc)

    checkpoint = {

        'best_acc': best_acc,

        'epoch': epoch + 1,

        'model': model.state_dict(),

        'optimizer': optimizer.state_dict(),

    }

    model_path = os.path.join('model', 'checkpoint.pth.tar')

    best_model_path = os.path.join('model', 'best_checkpoint.pth.tar')

    torch.save(checkpoint, model_path)

    if is_best:

        shutil.copy(model_path, best_model_path)

提取 ImageNet 预训练模型某层的卷积特征

# VGG-16 relu5-3 feature.

model = torchvision.models.vgg16(pretrained=True).features[:-1]

# VGG-16 pool5 feature.

model = torchvision.models.vgg16(pretrained=True).features

# VGG-16 fc7 feature.

model = torchvision.models.vgg16(pretrained=True)

model.classifier = torch.nn.Sequential(*list(model.classifier.children())[:-3])

# ResNet GAP feature.

model = torchvision.models.resnet18(pretrained=True)

model = torch.nn.Sequential(collections.OrderedDict(

    list(model.named_children())[:-1]))




with torch.no_grad():

    model.eval()

    conv_representation = model(image)

提取 ImageNet 预训练模型多层的卷积特征

class FeatureExtractor(torch.nn.Module):

    """Helper class to extract several convolution features from the given

    pre-trained model.




    Attributes:

        _model, torch.nn.Module.

        _layers_to_extract, list<str> or set<str>




    Example:

        >>> model = torchvision.models.resnet152(pretrained=True)

        >>> model = torch.nn.Sequential(collections.OrderedDict(

                list(model.named_children())[:-1]))

        >>> conv_representation = FeatureExtractor(

                pretrained_model=model,

                layers_to_extract={'layer1', 'layer2', 'layer3', 'layer4'})(image)

    """

    def __init__(self, pretrained_model, layers_to_extract):

        torch.nn.Module.__init__(self)

        self._model = pretrained_model

        self._model.eval()

        self._layers_to_extract = set(layers_to_extract)




    def forward(self, x):

        with torch.no_grad():

            conv_representation = []

            for name, layer in self._model.named_children():

                x = layer(x)

                if name in self._layers_to_extract:

                    conv_representation.append(x)

            return conv_representation

微调全连接层

model = torchvision.models.resnet18(pretrained=True)
for param in model.parameters():
    param.requires_grad = False
model.fc = nn.Linear(512, 100)  # Replace the last fc layer
optimizer = torch.optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9, weight_decay=1e-4)

以较大学习率微调全连接层，较小学习率微调卷积层：

model = torchvision.models.resnet18(pretrained=True)

finetuned_parameters = list(map(id, model.fc.parameters()))

conv_parameters = (p for p in model.parameters() if id(p) not in finetuned_parameters)

parameters = [{'params': conv_parameters, 'lr': 1e-3}, 

              {'params': model.fc.parameters()}]

optimizer = torch.optim.SGD(parameters, lr=1e-2, momentum=0.9, weight_decay=1e-4)

其他注意事项

• 不要使用太大的线性层。因为nn.Linear(m,n)使用的是的内存，线性层太大很容易超出现有显存。
• 不要在太长的序列上使用RNN。因为RNN反向传播使用的是BPTT算法，其需要的内存和输入序列的长度呈线性关系。
• model(x) 前用 model.train() 和 model.eval() 切换网络状态。
• 不需要计算梯度的代码块用 with torch.no_grad() 包含起来。
• model.eval() 和 torch.no_grad() 的区别在于，model.eval() 是将网络切换为测试状态，例如 BN 和dropout在训练和测试阶段使用不同的计算方法。torch.no_grad() 是关闭 PyTorch 张量的自动求导机制，以减少存储使用和加速计算，得到的结果无法进行 loss.backward()。
• model.zero_grad()会把整个模型的参数的梯度都归零, 而optimizer.zero_grad()只会把传入其中的参数的梯度归零.
• torch.nn.CrossEntropyLoss 的输入不需要经过 Softmax。torch.nn.CrossEntropyLoss 等价于 torch.nn.functional.log_softmax + torch.nn.NLLLoss。
• loss.backward() 前用 optimizer.zero_grad() 清除累积梯度。
• torch.utils.data.DataLoader 中尽量设置 pin_memory=True，对特别小的数据集如 MNIST 设置 pin_memory=False 反而更快一些。num_workers 的设置需要在实验中找到最快的取值。
• 用 del 及时删除不用的中间变量，节约 GPU 存储。使用 inplace 操作可节约 GPU 存储，如：

x = torch.nn.functional.relu(x, inplace=True)

减少 CPU 和 GPU 之间的数据传输。例如如果你想知道一个 epoch 中每个 mini-batch 的 loss 和准确率，先将它们累积在 GPU 中等一个 epoch 结束之后一起传输回 CPU 会比每个 mini-batch 都进行一次 GPU 到 CPU 的传输更快。

使用半精度浮点数 half() 会有一定的速度提升，具体效率依赖于 GPU 型号。需要小心数值精度过低带来的稳定性问题。

时常使用 assert tensor.size() == (N, D, H, W) 作为调试手段，确保张量维度和你设想中一致。

除了标记 y 外，尽量少使用一维张量，使用 n*1 的二维张量代替，可以避免一些意想不到的一维张量计算结果。

统计代码各部分耗时：

with torch.autograd.profiler.profile(enabled=True, use_cuda=False) as profile:    

  ...print(profile)# 或者在命令行运行python -m torch.utils.bottleneck main.py

使用TorchSnooper来调试PyTorch代码，程序在执行的时候，就会自动 print 出来每一行的执行结果的 tensor 的形状、数据类型、设备、是否需要梯度的信息。

# pip install torchsnooper

import torchsnooper# 对于函数，使用修饰器@torchsnooper.snoop()




# 如果不是函数，使用 with 语句来激活 TorchSnooper，把训练的那个循环装进 with 语句中去。

with torchsnooper.snoop():    

  原本的代码

https://github.com/zasdfgbnm/TorchSnoopergithub.com

模型可解释性，使用captum库：https://captum.ai/captum.ai

参考资料

• 张皓：PyTorch Cookbook，https://zhuanlan.zhihu.com/p/59205847?
• PyTorch官方文档和示例
• https://pytorch.org/docs/stable/notes/faq.html
• https://github.com/szagoruyko/pytorchviz
• https://github.com/sksq96/pytorch-summary等

学术分享，来源丨https://zhuanlan.zhihu.com/p/104019160

文件上传如何做断点续传?全端+后端结合开发，VUE实现文件上传(单文件、多文件、分片上传)，JS中实现文件上传下载的三种解决方案(推荐)，JS实现大文件上传——分片上传方法，完美解决WEB无法上传大文件方法，HTML大文件上传源码，WEBUPLOAD组件实现文件上传功能和下载功能，js大文件上传下载解决方案，vue大文件上传下载解决方案，asp.net大文件上传下载解决方案，.net大文件上传下载解决方案，webform大文件上传下载解决方案，jsp大文件上传下载解决方案，java大文件上传下载解决方案，JAVASCRIPT 大文件上传下载切片解决方案，JAVASCRIPT 大文件上传下载切割解决方案，JAVASCRIPT 大文件上传下载分割解决方案，JAVASCRIPT 大文件上传下载分块解决方案，JAVASCRIPT 大文件上传下载分片解决方案，web大文件上传下载解决方案，网页大文件上传下载解决方案，前端大文件上传下载解决方案，html5大文件上传下载解决方案，JAVASCRIPT 大文件上传下载解决方案，支持HTML5,VUE2,VUE3,React，javascript等常用前端UI框架，JS框架，网上找的方案大多数都只是一些代码片段，没有提供完整的前后端代码。

跟项目经理沟通过，这块网上搜到的文章能用的几乎没有。

之前项目上面用Flash比较多一点，现在基本上都是HTML5，断点续传除了页面级以外最好还能够提供离线支持。

支持IE，Chrome和信创国产化环境，比如银河麒麟，统信UOS，龙芯，

支持分片，分块，分段，切片，分割上传。能够突破chrome每域名的5个TCP连接限制，能够突破chrome重启，关闭浏览器续传的限制。

支持10G,20G,50G,100G文件上传和续传，支持秒传，支持文件夹上传，重复文件检测，重复文件校验

支持文件下载，批量下载，下载断点续传，加密下载，端到端加密，加密算法支持国密SM4，多线程下载

支持在服务端保存文件夹层级结构，支持将文件夹层级结构信息保存到数据库中，支持下载时能够将文件夹层级结构下载下来，支持下载文件夹，下载文件夹支持断点续传，

支持加密传输，包括加密上传，加密下载，加密算法支持国密SM4，

支持云对象存储，比如华为云，阿里云，腾讯云，七牛云，AWS，MinIO,FastDFS，

提供手机，QQ，微信，邮箱等联系方式，提供7*24小时技术支持，提供长期技术支持和维护服务，提供远程1对1技术指导，提供二次开发指导，提供文档教程，提供视频教程。

最新版本：6.5.40

在线代码：https://gitee.com/xproer/up6-asp-net/tree/6.5.40/

NOSQL

NOSQL无需任何配置可直接访问页面进行测试

SQL

使用IIS

大文件上传测试推荐使用IIS以获取更高性能。

使用IIS Express

小文件上传测试可以使用IIS Express

创建数据库

配置数据库连接信息

访问页面进行测试

相关参考：

文件保存位置，

源码工程文档：https://drive.weixin.qq.com/s?k=ACoAYgezAAw1dWofra

源码报价单：https://drive.weixin.qq.com/s?k=ACoAYgezAAwoiul8gl

OEM版报价单：https://drive.weixin.qq.com/s?k=ACoAYgezAAwuzp4W0a

控件源码下载：https://drive.weixin.qq.com/s?k=ACoAYgezAAwbdKCskc