13個你一定要知道的PyTorch特性

點擊上方“AI公園”，關注公眾號，選擇加“星標“或“置頂”

因公眾號更改了推送規則，記得讀完點“在看”~下次AI公園的新文章就能及時出現在您的訂閱串列中

作者：MARCIN ZAB?OCKIMARCIN ZAB?OCKI

編譯：ronghuaiyang

導讀

PyTorch使用上的13個特性，確實非常的有用，

PyTorch在學術界和工業界的應用研究中都獲得了很多關注，它是一個具有很大靈活性的深度學習框架，使用了大量的實用工具和函式來加快作業速度，PyTorch的學習曲線并不是那么陡峭，但在其中實作高效和干凈的代碼可能會很棘手，在使用它超過2年之后，以下是我最喜歡的PyTorch功能，我希望我一開始學習它就知道，

1. DatasetFolder

當學習PyTorch時，人們首先要做的事情之一是實作自己的某種Dataset ，這是一個低級錯誤，沒有必要浪費時間寫這樣的東西，通常，資料集要么是資料串列(或者是numpy陣列)，要么磁盤上的檔案，所以，把資料在磁盤上組織好，要比寫一個自定義的Dataset來加載某種奇怪的格式更好，

分類器最常見的資料格式之一，是有一個帶有子檔案夾的目錄，子檔案夾表示類，子檔案夾中的檔案表示樣本，如下所示，

folder/class_0/file1.txt
folder/class_0/file2.txt
folder/class_0/...

folder/class_1/file3.txt
folder/class_1/file4.txt

folder/class_2/file5.txt
folder/class_2/...

有一個內置的方式來加載這類資料集，不管你的資料是影像，文本檔案或其他什么，只要使用'DatasetFolder就可以了，令人驚訝的是，這個類是torchvision包的一部分，而不是核心PyTorch，這個類非常全面，你可以從檔案夾中過濾檔案，使用自定義代碼加載它們，并動態轉換原始檔案，例子:

from torchvision.datasets import DatasetFolder
from pathlib import Path
# I have text files in this folder
ds = DatasetFolder("/Users/marcin/Dev/tmp/my_text_dataset", 
    loader=lambda path: Path(path).read_text(),
    extensions=(".txt",), #only load .txt files
    transform=lambda text: text[:100], # only take first 100 characters
)

# Everything you need is already there
len(ds), ds.classes, ds.class_to_idx
(20, ['novels', 'thrillers'], {'novels': 0, 'thrillers': 1})

如果你在處理影像，還有一個torchvision.datasets.ImageFolder類，它基于DatasetLoader，它被預先配置為加載影像，

2. 盡量少用 .to(device) ，用 zeros_like / ones_like 之類的代替

我讀過很多來自GitHub倉庫的PyTorch代碼，最讓我畝訓的是，幾乎在每個repo中都有許多*.to(device)行，它們將資料從CPU或GPU轉移到其他地方，這樣的陳述句通常會出現在大量的repos或初學者教程中，我強烈建議盡可能少地實作這類操作，并依賴內置的PyTorch功能自動實作這類操作，到處使用.to(device)通常會導致性能下降，還會出現例外：

Expected object of device type cuda but got device type cpu

顯然，有些情況下你無法回避它，但大多數情況(如果不是全部)都在這里，其中一種情況是初始化一個全0或全1的張量，這在深度神經網路計算損失的的時候是經常發生的，模型的輸出已經在cuda上了，你需要另外的tensor也是在cuda上，這時，你可以使用*_like運算子：

my_output # on any device, if it's cuda then my_zeros will also be on cuda
my_zeros = torch.zeros_like(my_output_from_model)

在內部，PyTorch所做的是呼叫以下操作：

my_zeros = torch.zeros(my_output.size(), dtype=my_output.dtype, layout=my_output.layout, device=my_output.device)

所以所有的設定都是正確的，這樣就減少了代碼中出現錯誤的概率，類似的操作包括：

torch.zeros_like()
torch.ones_like()
torch.rand_like()
torch.randn_like()
torch.randint_like()
torch.empty_like()
torch.full_like()

3. Register Buffer ( nn.Module.register_buffer)

這將是我勸人們不要到處使用 .to(device) 的下一步，有時，你的模型或損失函式需要有預先設定的引數，并在呼叫forward時使用，例如，它可以是一個“權重”引數，它可以縮放損失或一些固定張量，它不會改變，但每次都使用，對于這種情況，請使用nn.Module.register_buffer 方法，它告訴PyTorch將傳遞給它的值存盤在模塊中，并將這些值隨模塊一起移動，如果你初始化你的模塊，然后將它移動到GPU，這些值也會自動移動，此外，如果你保存模塊的狀態，buffers也會被保存！

一旦注冊，這些值就可以在forward函式中訪問，就像其他模塊的屬性一樣，

from torch import nn
import torch

class ModuleWithCustomValues(nn.Module):
    def __init__(self, weights, alpha):
        super().__init__()
        self.register_buffer("weights", torch.tensor(weights))
        self.register_buffer("alpha", torch.tensor(alpha))
    
    def forward(self, x):
        return x * self.weights + self.alpha

m = ModuleWithCustomValues(
    weights=[1.0, 2.0], alpha=1e-4
)
m(torch.tensor([1.23, 4.56]))
tensor([1.2301, 9.1201])

4. Built-in Identity()

有時候，當你使用遷移學習時，你需要用1:1的映射替換一些層，可以用nn.Module來實作這個目的，只回傳輸入值，PyTorch內置了這個類，

例子，你想要在分類層之前從一個預訓練過的ResNet50獲取影像表示，以下是如何做到這一點：

from torchvision.models import resnet50
model = resnet50(pretrained=True)
model.fc = nn.Identity()
last_layer_output = model(torch.rand((1, 3, 224, 224)))
last_layer_output.shape
torch.Size([1, 2048])

5. Pairwise distances: torch.cdist

下次當你遇到計算兩個張量之間的歐幾里得距離(或者一般來說:p范數)的問題時，請記住torch.cdist，它確實做到了這一點，并且在使用歐幾里得距離時還自動使用矩陣乘法，從而提高了性能，

points1 = torch.tensor([[0.0, 0.0], [1.0, 1.0], [2.0, 2.0]])
points2 = torch.tensor([[0.0, 0.0], [-1.0, -1.0], [-2.0, -2.0], [-3.0, -3.0]]) # batches don't have to be equal
torch.cdist(points1, points2, p=2.0)
tensor([[0.0000, 1.4142, 2.8284, 4.2426],
        [1.4142, 2.8284, 4.2426, 5.6569],
        [2.8284, 4.2426, 5.6569, 7.0711]])

沒有矩陣乘法或有矩陣乘法的性能，在我的機器上使用mm時，速度快了2倍以上，

%%timeit
points1 = torch.rand((512, 2))
points2 = torch.rand((512, 2))
torch.cdist(points1, points2, p=2.0, compute_mode="donot_use_mm_for_euclid_dist")

867μs±142μs per loop (mean±std. dev. of 7 run, 1000 loop each)

%%timeit
points1 = torch.rand((512, 2))
points2 = torch.rand((512, 2))
torch.cdist(points1, points2, p=2.0)

417μs±52.9μs per loop (mean±std. dev. of 7 run, 1000 loop each)

6. Cosine similarity: F.cosine_similarity

與上一點相同，計算歐幾里得距離并不總是你需要的東西，當處理向量時，通常余弦相似度是選擇的度量，PyTorch也有一個內置的余弦相似度實作，

import torch.nn.functional as F
vector1 = torch.tensor([0.0, 1.0])
vector2 = torch.tensor([0.05, 1.0])
print(F.cosine_similarity(vector1, vector2, dim=0))
vector3 = torch.tensor([0.0, -1.0])
print(F.cosine_similarity(vector1, vector3, dim=0))
tensor(0.9988)
tensor(-1.)

PyTorch中批量計算余弦距離

import torch.nn.functional as F
batch_of_vectors = torch.rand((4, 64))
similarity_matrix = F.cosine_similarity(batch_of_vectors.unsqueeze(1), batch_of_vectors.unsqueeze(0), dim=2)
similarity_matrix
tensor([[1.0000, 0.6922, 0.6480, 0.6789],
        [0.6922, 1.0000, 0.7143, 0.7172],
        [0.6480, 0.7143, 1.0000, 0.7312],
        [0.6789, 0.7172, 0.7312, 1.0000]])

7. 歸一化向量: F.normalize

最后一點仍然與向量和距離有松散的聯系，那就是歸一化：通常是通過改變向量的大小來提高計算的穩定性，最常用的歸一化是L2，可以在PyTorch中按如下方式應用:

vector = torch.tensor([99.0, -512.0, 123.0, 0.1, 6.66])
normalized_vector = F.normalize(vector, p=2.0, dim=0)
normalized_vector
tensor([ 1.8476e-01, -9.5552e-01,  2.2955e-01,  1.8662e-04,  1.2429e-02])

在PyTorch中執行歸一化的舊方法是：

vector = torch.tensor([99.0, -512.0, 123.0, 0.1, 6.66])
normalized_vector = vector / torch.norm(vector, p=2.0)
normalized_vector
tensor([ 1.8476e-01, -9.5552e-01,  2.2955e-01,  1.8662e-04,  1.2429e-02])

在PyTorch中批量進行L2歸一化

batch_of_vectors = torch.rand((4, 64))
normalized_batch_of_vectors = F.normalize(batch_of_vectors, p=2.0, dim=1)
normalized_batch_of_vectors.shape, torch.norm(normalized_batch_of_vectors, dim=1) # all vectors will have length of 1.0
(torch.Size([4, 64]), tensor([1.0000, 1.0000, 1.0000, 1.0000]))

8. 線性層 + 分塊技巧 (torch.chunk)

這是我最近發現的一個有創意的技巧，假設你想把你的輸入映射到N個不同的線性投影中，你可以通過創建N個nn.Linear來做到這一點，或者你也可以創建一個單一的線性層，做一個向前傳遞，然后將輸出分成N塊，這種方法通常會帶來更高的性能，所以這是一個值得記住的技巧，

d = 1024
batch = torch.rand((8, d))
layers = nn.Linear(d, 128, bias=False), nn.Linear(d, 128, bias=False), nn.Linear(d, 128, bias=False)
one_layer = nn.Linear(d, 128 * 3, bias=False)
%%timeit
o1 = layers[0](batch)
o2 = layers[1](batch)
o3 = layers[2](batch)

289 μs ± 30.8 μs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%%timeit
o1, o2, o3 = torch.chunk(one_layer(batch), 3, dim=1)

202 μs ± 8.09 μs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

9. Masked select (torch.masked_select)

有時你只需要對輸入張量的一部分進行計算，給你一個例子：你想計算的損失只在滿足某些條件的張量上，為了做到這一點，你可以使用torch.masked_select，注意，當需要梯度時也可以使用這個操作，

data = torch.rand((3, 3)).requires_grad_()
print(data)
mask = data > data.mean()
print(mask)
torch.masked_select(data, mask)
tensor([[0.0582, 0.7170, 0.7713],
        [0.9458, 0.2597, 0.6711],
        [0.2828, 0.2232, 0.1981]], requires_grad=True)
tensor([[False,  True,  True],
        [ True, False,  True],
        [False, False, False]])
tensor([0.7170, 0.7713, 0.9458, 0.6711], grad_fn=<MaskedSelectBackward>)

直接在tensor上應用mask

類似的行為可以通過使用mask作為輸入張量的 “indexer”來實作，

data[mask]
tensor([0.7170, 0.7713, 0.9458, 0.6711], grad_fn=<IndexBackward>)

有時，一個理想的解決方案是用0填充mask中所有的False值，可以這樣做:

data * mask
tensor([[0.0000, 0.7170, 0.7713],
        [0.9458, 0.0000, 0.6711],
        [0.0000, 0.0000, 0.0000]], grad_fn=<MulBackward0>)

10. 使用 torch.where來對tensors加條件

當你想把兩個張量結合在一個條件下這個函式很有用，如果條件是真，那么從第一個張量中取元素，如果條件是假，從第二個張量中取元素，

x = torch.tensor([1.0, 2.0, 3.0, 4.0, 5.0], requires_grad=True)
y = -x
condition_or_mask = x <= 3.0
torch.where(condition_or_mask, x, y)
tensor([ 1.,  2.,  3., -4., -5.], grad_fn=<SWhereBackward>)

11. 在給定的位置給張量填入值(Tensor.scatter)

這個函式的用例如下，你想用給定位置下另一個張量的值填充一個張量，一維張量更容易理解，所以我將先展示它，然后繼續更高級的例子，

data = torch.tensor([1, 2, 3, 4, 5])
index = torch.tensor([0, 1])
values = torch.tensor([-1, -2, -3, -4, -5])
data.scatter(0, index, values)
tensor([-1, -2,  3,  4,  5])

上面的例子很簡單，但是現在看看如果將index改為index = torch.tensor([0, 1, 4])會發生什么：

data = torch.tensor([1, 2, 3, 4, 5])
index = torch.tensor([0, 1, 4])
values = torch.tensor([-1, -2, -3, -4, -5])
data.scatter(0, index, values)
tensor([-1, -2,  3,  4, -3])

為什么最后一個值是-3，這是反直覺的，對吧？這是PyTorch scatter函式的中心思想，index變數表示data張量的第i個值應該放在values張量的哪個位置，我希望下面的簡單python版的這個操作能讓你更明白：

data_orig = torch.tensor([1, 2, 3, 4, 5])
index = torch.tensor([0, 1, 4])
values = torch.tensor([-1, -2, -3, -4, -5])
scattered = data_orig.scatter(0, index, values)

data = data_orig.clone()
for idx_in_values, where_to_put_the_value in enumerate(index):
    what_value_to_put = values[idx_in_values]
    data[where_to_put_the_value] = what_value_to_put
data, scattered
(tensor([-1, -2,  3,  4, -3]), tensor([-1, -2,  3,  4, -3]))

2D資料的PyTorch scatter例子

始終記住，index的形狀與values的形狀相關，而index中的值對應于data中的位置，

data = torch.zeros((4, 4)).float()
index = torch.tensor([
    [0, 1],
    [2, 3],
    [0, 3],
    [1, 2]
])
values = torch.arange(1, 9).float().view(4, 2)
values, data.scatter(1, index, values)
(tensor([[1., 2.],
        [3., 4.],
        [5., 6.],
        [7., 8.]]),
tensor([[1., 2., 0., 0.],
        [0., 0., 3., 4.],
        [5., 0., 0., 6.],
        [0., 7., 8., 0.]]))

12. 在網路中進行影像插值 (F.interpolate)

當我學習PyTorch時，我驚訝地發現，實際上可以在前向傳遞中調整影像(或任何中間張量)，并保持梯度流，這種方法在使用CNN和GANs時特別有用，

# image from https://commons.wikimedia.org/wiki/File:A_female_British_Shorthair_at_the_age_of_20_months.jpg
img = Image.open("./cat.jpg")
img

to_pil_image(
    F.interpolate(to_tensor(img).unsqueeze(0),  # batch of size 1
                  mode="bilinear", 
                  scale_factor=2.0, 
                  align_corners=False).squeeze(0) # remove batch dimension
)

看看梯度流是如何保存的：

F.interpolate(to_tensor(img).unsqueeze(0).requires_grad_(),
                  mode="bicubic", 
                  scale_factor=2.0, 
                  align_corners=False)
tensor([[[[0.9216, 0.9216, 0.9216,  ..., 0.8361, 0.8272, 0.8219],
    [0.9214, 0.9214, 0.9214,  ..., 0.8361, 0.8272, 0.8219],
    [0.9212, 0.9212, 0.9212,  ..., 0.8361, 0.8272, 0.8219],
    ...,
    [0.9098, 0.9098, 0.9098,  ..., 0.3592, 0.3486, 0.3421],
    [0.9098, 0.9098, 0.9098,  ..., 0.3566, 0.3463, 0.3400],
    [0.9098, 0.9098, 0.9098,  ..., 0.3550, 0.3449, 0.3387]],

    [[0.6627, 0.6627, 0.6627,  ..., 0.5380, 0.5292, 0.5238],
    [0.6626, 0.6626, 0.6626,  ..., 0.5380, 0.5292, 0.5238],
    [0.6623, 0.6623, 0.6623,  ..., 0.5380, 0.5292, 0.5238],
    ...,
    [0.6196, 0.6196, 0.6196,  ..., 0.3631, 0.3525, 0.3461],
    [0.6196, 0.6196, 0.6196,  ..., 0.3605, 0.3502, 0.3439],
    [0.6196, 0.6196, 0.6196,  ..., 0.3589, 0.3488, 0.3426]],

    [[0.4353, 0.4353, 0.4353,  ..., 0.1913, 0.1835, 0.1787],
    [0.4352, 0.4352, 0.4352,  ..., 0.1913, 0.1835, 0.1787],
    [0.4349, 0.4349, 0.4349,  ..., 0.1913, 0.1835, 0.1787],
    ...,
    [0.3333, 0.3333, 0.3333,  ..., 0.3827, 0.3721, 0.3657],
    [0.3333, 0.3333, 0.3333,  ..., 0.3801, 0.3698, 0.3635],
    [0.3333, 0.3333, 0.3333,  ..., 0.3785, 0.3684, 0.3622]]]],
grad_fn=<UpsampleBicubic2DBackward1>)

13. 將影像做成網格 (torchvision.utils.make_grid)

當使用PyTorch和torchvision時，不需要使用matplotlib或一些外部庫來復制粘貼代碼來顯示影像網格，只要使用torchvision.utils.make_grid就行了，

from torchvision.utils import make_grid
from torchvision.transforms.functional import to_tensor, to_pil_image
from PIL import Image
img = Image.open("./cat.jpg")
to_pil_image(
    make_grid(
        [to_tensor(i) for i in [img, img, img]],
         nrow=2, # number of images in single row
         padding=5 # "frame" size
     )
)

—END—

英文原文：https://zablo.net/blog/post/pytorch-13-features-you-should-know/

請長按或掃描二維碼關注本公眾號

喜歡的話，請給我個在看吧！