本文参考PyTorch官网的教程，分为五个基本模块来介绍PyTorch。为了避免文章过长，这五个模块分别在五篇博文中介绍。

Part1：PyTorch简单知识

Part2：PyTorch的自动梯度计算

Part3：使用PyTorch构建一个神经网络

Part4：训练一个神经网络分类器

Part5：数据并行化

本文是关于Part4的内容。

Part4：训练一个神经网络分类器

前面已经介绍了定义神经网络，计算损失和更新权重，这里介绍训练神经网络分类器。

1 关于数据

通常，当你需要处理图像、文本、饮品或者视频数据，你可以使用标准的python包将数据导入到numpy 的array中。之后，你可以将array转换到torch.*Tensor。

（1） 对于图像，Pillow、OpenCV等包非常有用。

（2） 对于音频，scipy和librosa等包非常好。

（3） 对于文本，原始Python或基于Cython的加载，或者NLTK和SpaCy都是有用的。

尤其对于视觉，我们创建了一个叫做torchvision的包，包含了对于常用数据集（如ImageNet，CIFAR10，MNIST等）的数据加载器和对于images、viz的数据转换器，torchvision.datasets和 torch.utils.data.DataLoader。

在该教程中，我们使用CIFAR10数据集。它含有这些类：‘airplane’， ‘automobile’， ‘bird’， ‘cat’，‘deer’， ‘dog’， ‘frog’， ‘horse’， ‘ship’， ‘truck’。 这些图像的尺寸是3*32*32，即3通道的彩色图像，尺寸为32*32。

2 训练图像分类器

我们按照如下步骤：

（1） 使用torchvision导入并且正规化CIFAR10的训练集和测试集

（2） 定义一个卷积神经网络

（3） 定义一个损失函数

（4） 在测试数据上训练该网络

（5） 在测试数据上测试该网络

2.1 导入和正规化CIFAR10

使用torchvision，加载CIFAR10很容易。

import torch
import torchvision
import torchvision.transforms as transforms

torchvision数据集的输出是［0，1］区间的PILImage。我们把这些图像转换到［-1，1］区间的Tensor。

transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                         shuffle=False, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

我们来显示一些训练图像。

import matplotlib.pyplot as plt
import numpy as np

# functions to show an image


def imshow(img):
    img = img / 2 + 0.5     # unnormalize
    npimg = img.numpy()
    plt.imshow(np.transpose(npimg, (1, 2, 0)))


# get some random training images
dataiter = iter(trainloader)
images, labels = dataiter.next()

# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))

2.2 定义卷积神经网络

定义一个适用于3通道图像的卷积神经网络。

from torch.autograd import Variable
import torch.nn as nn
import torch.nn.functional as F


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x


net = Net()

2.3 定义损失函数和优化器

使用分类交叉熵损失和带有动量的随机梯度下降。

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

2.4 训练网络

我们只需要在数据上迭代，把输入数据交给网络并且优化即可。

for epoch in range(2):  # loop over the dataset multiple times

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # get the inputs
        inputs, labels = data

        # wrap them in Variable
        inputs, labels = Variable(inputs), Variable(labels)

        # zero the parameter gradients
        optimizer.zero_grad()

        # forward + backward + optimize
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # print statistics
        running_loss += loss.data[0]
        if i % 2000 == 1999:    # print every 2000 mini-batches
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

预期输出：

[1,2000]loss:2.191

[1,4000]loss:1.866

[1,6000]loss:1.696

[1,8000]loss:1.596

[1,10000]loss:1.502

[1,12000]loss:1.496

[2,2000]loss:1.422

[2,4000]loss:1.370

[2,6000]loss:1.359

[2,8000]loss:1.321

[2,10000]loss:1.311

[2,12000]loss:1.275

FinishedTraining

2.5 在测试数据上测试网络

我们已经训练了一个网络。现在对其在测试数据上测试。第一步，显示一个来自测试集的图像。

dataiter = iter(testloader)
images, labels = dataiter.next()

# print images
imshow(torchvision.utils.make_grid(images))
print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))

预期输出：

GroundTruth:catshipshipplane

使用训练好的网络来预测这些图像应该属于哪类。

outputs = net(Variable(images))

输出的是关于10个类别的能量值。哪个类别能量值高，网络就认为图像属于哪一类。因此我们需要获取最高能量值的索引。

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

print('Predicted: ', ' '.join('%5s' % classes[predicted[j]]
                              for j in range(4)))

预期输出：

Predicted:catshipcar plane

现在看一下网络在整个数据集上的表现。

correct = 0
total = 0
for data in testloader:
    images, labels = data
    outputs = net(Variable(images))
    _, predicted = torch.max(outputs.data, 1)
    total += labels.size(0)
    correct += (predicted == labels).sum()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

预期输出：

Accuracyofthenetworkonthe10000testimages:54%

这看起来比偶然准确率（10%）要好。看起来，训练有一定效果。

看一下哪些类别表现好，哪些表现不好。

class_correct = list(0. for i in range(10))
class_total = list(0. for i in range(10))
for data in testloader:
    images, labels = data
    outputs = net(Variable(images))
    _, predicted = torch.max(outputs.data, 1)
    c = (predicted == labels).squeeze()
    for i in range(4):
        label = labels[i]
        class_correct[label] += c[i]
        class_total[label] += 1


for i in range(10):
    print('Accuracy of %5s : %2d %%' % (
        classes[i], 100 * class_correct[i] / class_total[i]))

预期输出：

Accuracyofplane:60%

Accuracyofcar:46%

Accuracyofbird:44%

Accuracyofcat:35%

Accuracyofdeer:38%

Accuracyofdog:43%

Accuracyoffrog:57%

Accuracyofhorse:76%

Accuracyofship:71%

Accuracyoftruck:74%

3 在GPU上训练

下面这句话会递归遍历全部的模块并且将它们的参数和缓冲区转到CUDA tensors。

net.cuda()

记住，还需要在每一步将输入和目标值发送到GPU。

inputs, labels = Variable(inputs.cuda()), Variable(labels.cuda())

当网络非常大而复杂的时候，这种加速是非常明显的。