转自PyTorch 0.4新版本 升级指南，博主为ShellCollector。
PyTorch 终于从0.3.1升级到0.4.0了, 首先引入眼帘的,是PyTorch官方对自己的描述的巨大变化.
PyTorch 0.3.1说:
PyTorch is a python package that provides two high-level features:
• Tensor computation (like numpy) with strong GPU acceleration
• Deep Neural Networks built on a tape-based autodiff system
而PyTorch 0.4.0说:
PyTorch is a python based scientific computing package targeted at two sets of audiences:
• A replacement for NumPy to use the power of GPUs
• a deep learning research platform that provides maximum flexibility and speed
本次升级, 只做了一件事情, 就是将Tensor 类和 Variable 类 合并, 这一合并, 解决掉了很多原来令人困扰的问题.
在旧版本, Variable和Tensor分离, Tensor主要是多维矩阵的封装, 而Variable类是计算图上的节点, 它对Tensor进行了进一步的封装.
所以, 在训练过程中, 一个必要的步骤就是, 把Tensor转成Variable以便在模型中运行; 运行完之后, 我们还要将Variable转成Tensor,甚至Numpy. 我们在写代码和读代码的时候, 看到了各种辅助函数, 比如下面就是我常用的辅助函数:
# 旧版本实现
import torch
# 从Tensor转换到Vairable
def to_var(x):
if torch.cuda.is_available():
x = x.cuda()
return Variable(x)
# 从CUDA Variable转换到Numpy
def to_np(x):
return x.data.cpu().numpy()
for epoch in range(3): # 训练3轮
for step, (batch_x, batch_y) in enumerate(loader): # 每一步
# 把训练数据转成Variable
batch_x, batch_y = to_var(batch_x), to_var(batch_y)
pass
0.4.0, 我们就可以不用这么转化了
for epoch in range(3): # 训练3轮
for step, (batch_x, batch_y) in enumerate(loader): # 每一步
optimizer.zero_grad()
# forward + backward + optimize
outputs = net(batch_x)
loss = criterion(outputs, batch_y)
loss.backward()
optimizer.step()
print('Finished Training')
好处当然很大, 但是我们更关心以下几个问题:
Variable没了, Variable 的功能怎么办?
1.requires_grad 标志怎么处理了?
requires_grad 在Variable中,用来标志一个Variable是否要求导(或者说,要不要放到计算图中), 合并之后,这个标志处理的?
2.volatile 标志怎么处理了?
volatile在Variable中,用来标志一个Variable是否要被计算图隔离出去, 合并之后, 这个标志怎么处理的?
3.data方法呢?
Variable中,都是将封装的Tensor数据存储在.data里, 现在Variable和Tensor合并了, .data怎么办?
4.张量和标量怎么统一?
在Tensor元素内部都是Python 标量类型, 而Variable都是Tensor 张量类型, 原本它们井水不犯河水, 但现在合并了, 怎么处理?
# 旧版 0.3.1
>>> import torch
>>> from torch.autograd import Variable
>>> a = torch.Tensor([1,2,3])
>>> a[0] # 内部元素是Python 标量
1.0
>>> type(a[0]) # 类别是Python float
<class 'float'>
>>> b = Variable(a)
>>> b[0] # 内部元素是Tensor类型, 张量
Variable containing:
1
[torch.FloatTensor of size 1]
合并之后的Tensor是什么样的?
5.合并之后, 新版本Tensor是什么类型?
回答如下
1. requires_grad 标志怎么处理了?
直接挂在Tensor类下
>>> import torch
>>> x = torch.ones(1)
>>> x.requires_grad
False
2.volatile 标志怎么处理了?
弃用 , 但是做了一些替代, 比如torch.no_grad(), torch.set_grad_enabled(grad_mode)
>>> import torch
>>> x = torch.zeros(1, requires_grad=True)
>>> with torch.no_grad(): # 将y 从计算图中排除
... y = x * 2
>>> y.requires_grad
False
3.data方法呢?
保留功能, 但建议替代为x.detach()
.data方法,本质上是给当前Tensor加一个新引用, 它们指向的内存都是一样的, 因此不安全 。
比如y = x.data(), 而x参与了计算图的运算, 那么, 如果你不小心修改了y的data, x的data也会跟着变, 然而反向传播是监听不到x的data变化的, 因此造成梯度计算错误。
y = x.detach()正如其名, 将返回一个不参与计算图的Tensor y, Tensor y 一旦试图改变修改自己的data, 会被语法检查和python解释器监测到, 并抛出错误。
4.张量和标量怎么统一?
新增0维张量(0-dimensional Tensor), 用以封装标量(scalar), 将张量(Tensor), 标量(Scalar)都统一成张量.
>>> import torch
>>> torch.tensor(3.1416) # 创建标量
tensor(3.1416)
>>> torch.tensor(3.1416).size() # 其实是0维的张量
torch.Size([])
>>> torch.tensor([3]).size() # 1维张量
torch.Size([1])
5.合并之后, 新版本Tensor是什么类型?
torch.Tensor类型, 但是, 详细类型需要进一步调用方法:
>>> import torch
>>> x = torch.DoubleTensor([1, 1, 1])
>>> type(x)
<class 'torch.Tensor'>
>>> x.type()
'torch.DoubleTensor'
>>> isinstance(x, torch.DoubleTensor)
True
旧版本的PyTorch, 你可以在类型上直接看出一个Tensor的基本信息, 比如device在cuda上, layout是sparse,dtype是Float型的Tensor, 你可以:
# 0.3.1
>>> type(a)
<class 'torch.cuda.sparse.FloatTensor'>
由新版本, 所有的Tensor对外都是torch.Tensor类型, 上述的属性, 从类名转移到了Tensor的属性了。
torch.device 描述设备的位置, 比如torch.device('cuda'), torch.device('cpu')
>>> import torch
>>> cuda = torch.device('cuda')
>>> cpu = torch.device('cpu')
>>> a = torch.tensor([1,2,3], device=cuda)
>>> a.device
device(type='cuda', index=0)
>>> b = a.to(cpu) # 将数据从cuda copy 到 cpu
>>> b.device
device(type='cpu')
>>> type(a) # type a 和 tpye b, 看不出谁在cuda谁在cpu
<class 'torch.Tensor'>
>>> type(b)
<class 'torch.Tensor'>
torch.layout
torch.layout 是 一个表示Tensor数据在内存中样子的类, 默认torch.strided, 即稠密的存储在内存上, 靠stride来刻画tensor的维度. 目前还有一个实验版的对象torch.sparse_coo, 一种coo格式的稀疏存储方式, 但是目前API还不固定, 大家谨慎使用.
torch.dtype
