小白學習之pytorch框架(2)-動手學深度學習(begin-random.shuffle()、torch.index_select()、nn.Module、nn.Sequential())

在這向你們推薦一本書-花書-動手學深度學習pytorch版，原書用的深度學習框架是MXNet，這個框架通過Gluon從新再封裝，使用風格很是接近pytorch，可是因爲pytorch愈來愈火，我的又比較執着，想學pytorch，好，有個大神來了，把《動手學深度學習》整本書用pytorch代碼重現了，其GitHub網址爲：https://github.com/ShusenTang/Dive-into-DL-PyTorch   原書GitHub網址爲：https://github.com/d2l-ai/d2l-zh    看你們愛好，其實客觀的說哪一個框架都行，只要能實現代碼，學會一個框架，另外的就好上手了。菜鳥的看法哈，下面是我的感受重要的一些

　　索引(x[:,1])出來和view()改變形狀後，結果數據與原數據共享內存，就是修改其中一個，另一個會跟着修改。相似於數據結構中的鏈表，指向的地址是同一個

　　如果想不修改原數據，能夠用clone()返回一個副本再修改：x.clone().view(5,3)

　　item()：把一個標量tensor轉成python number

梯度

　　標量out：out.backward()    #等價於out.backward(torch.tensor(1))

　　張量out：調用backward()時須要傳入一個和out同形狀的權重向量進行加權求和獲得一個標量

想要修改tensor的值但又不想被autograd記錄(不會影響反向傳播)，能夠經過tensor.data來操做

x = torch.tensor(1.0, requires_grad=True)
print(x.data)       # tensor(1.)
print(x.data.requires_grad)  # False
y = 2 * x
x.data *= 100
y.backward() 
print(x)     # tensor(100.,requires_grad=True)
print(x.grad)     # tensor(2.)    不是tensor(200.)，由於用x.data計算不被記錄到計算圖內

線性迴歸實現    參考《動手學深度學習》第三章深度學習基礎-線性迴歸的從零開始實現

　　這真是一本不錯的書，我我的感受

　　%matplotlib inline：在開頭導入包前加入這個，能夠在後面使用matplotlib畫圖時不用每次都調用pyplot.show()

　　

　　上面的圖中，圈1是經過display包設置圖像顯示的文件格式爲svg(能夠算是目前最火的圖像文件格式)

　　圈2中的rcParams()函數能夠設置圖形的各類屬性，圈2是設置圖像尺寸大小，還有

plt.rcParams['image.interpolation'] = 'nearest' #設置插值
plt.rcParams['image.cmap'] = 'gray'    # 設置顏色
plt.rcParams['figure.dpi'] = 300   # 每英寸的點數(圖片分辨率)
plt.rcParams['savefig.dpi'] = 300    # 圖片像素
plt.rcParams['font.sans-serif'] = 'SimHei'  # 設置字體
plt.rcParams['font.size'] = 10.0 #設置字體大小
plt.rcParams['hist.bins'] = 10 #設置直方圖分箱個數
plt.rcParams['lines.linewidth'] = 1.5 #設置線寬
plt.rcParams['text.color'] = 'red'  #設置文本顏色
# 還有其餘參數能夠百度看看

 　　圈3是畫散點圖，前兩個參數是x,y，爲點的橫縱座標，第三個是點的大小。其餘的參數可百度

　　記錄一下這段讀取數據的代碼，因爲本人太菜了，好不容易查懂不想再從新查

def data_iter(batch_size, features, labels):  # 這裏batch_size：10  features：（1000，2）的矩陣 labels是通過線性迴歸公式計算獲得的預測值，labels=X*w+b
    num_examples = len(features)              # features:(1000,2)  len(features):1000
    indices = list(range(num_examples))       # [0,1,2...,999]
    random.shuffle(indices)                   # 將一個列表中的元素打亂,例子見下面
    for i in range(0, num_examples, batch_size):    # 0-1000，step=10  [0,10,20,...,999]
        j = torch.LongTensor(indices[i:min(i + batch_size, num_examples)])  # 取indice值，而且返回成一個tensor。最後一次可能不足一個batch故用min函數
        yield features.index_select(0, j), labels.index_select(0, j)　#　　　　　　　

yield的理解請移步，https://blog.csdn.net/mieleizhi0522/article/details/82142856  很好理解的，感謝博主了

random.shuffle()  # 將一個數組打亂

    li = list(range(5))  # [0,1,2,3,4]
    random.shuffle(li)   # 做用於li列表，而不是print(random.shuffle(li))，這是輸不出來的
    print(li)    # [3,1,0,4,2]

 torch之torch.index_select(x,1,indices)  # x即要從其中(tensor x中)選擇數據的tensor；1表明列，0表明行；indices篩選時的索引序號

　　x.index_select(n,index)  #  n表明從第幾維開始，index是篩選時的索引序號。index_select(input,dim,index)沿着指定維度對input切片，取index中指定的對應的項。　能夠參考博客，感謝博主　https://www.jb51.net/article/174524.htm

 數據特徵和標籤組合

import torch.utils.data as Data

batch_size = 10
dataset = Data.TensorDataset(features,labels)   #把訓練數據的特徵和標籤(y值)
data_iter = Data.DataLoader(dataset, batch_size,shuffle=True)  #讀取批量數據,批量大小爲batch_size
for X, y in data_iter:  # 這樣才能打出
    print(X, y)
    break

 搭建模型：

　　方法1：使用nn.Module定義

from torch import nn
class LinearNet(nn.Module):
    def __init__(self, n_feature):
        super(LinearNet, self).__init__()
        self.linear = nn.Linear(n_feature, 1)
    
    # 定義前向傳播
    def forward(self, x):
        y = self.linear(x)
        return y
    

net = LinearNet(num_inputs)
print(net)  #顯示網絡結構

 　　方法2:使用nn.Sequential# nn.Sequential搭建網絡

# 寫法1
net = nn.Sequential(
        nn.Linear(num_inputs, 1)
        # 還可加入其餘層
)

# 寫法2
net = nn.Sequential()
net.add_module('linear', nn.Linear(num_inputs, 1))
 # net.add_module.....
# 寫法3
from collections import OrderedDict   # python內集合的一個模塊，使用dict時沒法保持key的順序，而OrderedDict能夠保持key的順序
net = nn.Sequential(OrderedDict([
    ('linear', nn.Linear(num_inputs, 1))
    # ......
]))

print(net)
print(net[0])