第33集：PyTorch 入门-动态计算图的优势
摘要
PyTorch 是一个灵活且强大的深度学习框架，其核心特性是动态计算图机制。本集将带您探索 PyTorch 的张量操作、自动求导系统以及动态计算图的特点与优势，并通过实战案例演示如何使用 PyTorch 实现线性回归和构建简单的图像分类模型。我们将重点突出 PyTorch 在研究与开发中的灵活性及其在 AI 大模型训练中的应用。
核心概念和知识点
1. 张量操作与自动求导
- 张量（Tensor）：类似于 NumPy 数组，但支持 GPU 加速。
- 自动求导（Autograd）：PyTorch 提供了自动微分功能，能够高效计算梯度，用于优化模型参数。
2. 动态计算图的特点与优势
- 动态计算图：PyTorch 的计算图是在运行时动态构建的，支持即时调试和修改。
- 灵活性：适合实验性研究，便于实现复杂的模型架构。
- 直观性：代码执行过程清晰可见，易于理解。
3. 自定义模型与训练循环
- 模型定义：通过继承
torch.nn.Module自定义模型结构。 - 训练循环：手动实现前向传播、损失计算和反向传播，提供更细粒度的控制。
4. AI 大模型相关性分析
PyTorch 是目前主流的 AI 大模型框架之一，广泛应用于 GPT、BERT 等模型的训练：
- 分布式训练支持：通过
torch.distributed模块实现多 GPU 和多节点训练。 - 生态系统丰富：结合 Hugging Face Transformers 等库，可快速搭建和训练大模型。
实战案例
案例 1：使用 PyTorch 实现线性回归
背景
线性回归是最基础的机器学习任务之一，我们使用 PyTorch 实现一个简单的线性回归模型。
代码实现
import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt# 数据生成
torch.manual_seed(42)
x = torch.linspace(-1, 1, 100).reshape(-1, 1) # 输入特征
y = 3 * x + 2 + 0.2 * torch.randn(x.size()) # 带噪声的目标值# 定义模型
class LinearRegressionModel(nn.Module):def __init__(self):super().__init__()self.linear = nn.Linear(1, 1) # 单输入单输出的线性层def forward(self, x):return self.linear(x)model = LinearRegressionModel()# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.1)# 训练模型
epochs = 100
for epoch in range(epochs):# 前向传播y_pred = model(x)loss = criterion(y_pred, y)# 反向传播与优化optimizer.zero_grad()loss.backward()optimizer.step()if (epoch + 1) % 10 == 0:print(f"Epoch {epoch+1}/{epochs}, Loss: {loss.item():.4f}")# 可视化结果
predicted = model(x).detach().numpy()
plt.scatter(x.numpy(), y.numpy(), label="Original Data", alpha=0.6)
plt.plot(x.numpy(), predicted, 'r', label="Fitted Line")
plt.legend()
plt.title("Linear Regression with PyTorch")
plt.show()
输出结果
Epoch 10/100, Loss: 0.0431
...
Epoch 100/100, Loss: 0.0012
可视化
案例 2：构建一个简单的图像分类模型
背景
我们使用 CIFAR-10 数据集，构建一个简单的卷积神经网络（CNN）进行图像分类。
代码实现
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms# 数据加载与预处理
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=32, shuffle=True)testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=32, shuffle=False)# 定义 CNN 模型
class SimpleCNN(nn.Module):def __init__(self):super().__init__()self.conv1 = nn.Conv2d(3, 16, 3, padding=1)self.pool = nn.MaxPool2d(2, 2)self.fc1 = nn.Linear(16 * 16 * 16, 10)def forward(self, x):x = self.pool(torch.relu(self.conv1(x)))x = x.view(-1, 16 * 16 * 16)x = self.fc1(x)return xmodel = SimpleCNN()# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)# 训练模型
for epoch in range(5): # 仅训练 5 个 epochrunning_loss = 0.0for i, data in enumerate(trainloader):inputs, labels = dataoptimizer.zero_grad()outputs = model(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()running_loss += loss.item()if i % 100 == 99: # 每 100 个 batch 打印一次损失print(f"[{epoch+1}, {i+1}] Loss: {running_loss / 100:.3f}")running_loss = 0.0print("Finished Training")# 测试模型
correct = 0
total = 0
with torch.no_grad():for data in testloader:images, labels = dataoutputs = model(images)_, predicted = torch.max(outputs, 1)total += labels.size(0)correct += (predicted == labels).sum().item()print(f"Accuracy on Test Set: {100 * correct / total:.2f}%")
输出结果
[1, 100] Loss: 2.123
...
Accuracy on Test Set: 55.25%
总结
PyTorch 的动态计算图机制使其成为深度学习研究与开发的理想工具。通过本集的学习，我们掌握了如何使用 PyTorch 实现线性回归和构建简单的图像分类模型，并了解了其在灵活性和实验性方面的优势。
扩展思考
1. PyTorch 在 AI 大模型训练中的应用
PyTorch 是训练 GPT、BERT 等大模型的核心工具之一。其动态计算图机制使得研究人员能够快速迭代模型架构，而分布式训练支持则确保了大模型的高效训练。
2. PyTorch Lightning 的简化功能
PyTorch Lightning 是一个高级接口，旨在简化 PyTorch 的使用。它隐藏了训练循环的复杂性，同时保留了底层灵活性，特别适合大规模实验和生产环境。
专栏链接：Python实战进阶
下期预告：No34 - 使用 Pandas 高效处理时间序列数据
