专栏名称: 深度学习与神经网络

关注深度学习教育，关注人工智能前沿科技

【重磅】PyTorch v0.4.0发布（含Windows版安装教程）

深度学习与神经网络 · 公众号 · · 2018-04-27 09:43

正文

前戏

半个月前，Amusi还费了九牛二虎之力安装了PyTorch v0.3.0，真的相当麻烦。前两天，PyTorch官网就发布了v0.4.0，官方支持Windows下的PyTorch安装，两行命令即可安装，实在方便！

github官网： http://pytorch.org/

PyTorch v0.4.0一出，知乎就炸了~，来看一下大神们的评价

正文

以下为PyTorch v0.4.0更新内容目录：

主要核心变更

Tensor/Variable合并
零维张量
dtypes
迁移指南

新功能

张量

全面支持高级索引
快速傅立叶变换

神经网络

权衡内存计算
bottleneck - 一个在你的代码中识别hotspots的工具

torch.distributions

24个基本概率分布
增加了cdf，方差，熵，困惑度（perplexity）等。

分布式训练

易于使用的Launcher utility
NCCL2后端

C ++扩展
Windows支持
ONNX改进

RNN支持

性能改进
Bug修复

主要核心变化

以下是用户每天使用的最重要的核心功能的更新。

主要变化和潜在的重要更新：

Tensors 和 Variables 已经合并
有些操作会返回0维（标量）Tensors
弃用了 volatile flag

改进：

添加了 dtypes，devices 和 Numpy 风格的 Tensor 创建函数
支持编写与device无关的代码

PyTorch团队编写了一个迁移指南，帮助用户将代码转换为新的API和style。如果您想要迁移以前版本的PyTorch中的代码。

迁移指南：http://pytorch.org/2018/04/22/0_4_0-migration-guide.html

本部分的内容（主要核心变更）包含在迁移指南中。

合并 Tensor 和 Variable 类

torch.autograd.Variable 和 torch.Tensor 现在是同一类。更确切地说，torch.Tensor 能够跟踪历史并像旧的 Variable 一样运行；Variable 的换行继续像以前一样工作，但返回的对象类型变成 torch.Tensor。这意味着你不再需要将代码中的任何 Variable wrapper。

Tensor 的 type( ) 已经改变

还要注意 Tensor 的 type( ) 不再反映数据类型。使用isinstance（）或 x.type（）来代替：

1x = torch.DoubleTensor([1, 1, 1])
2print(type(x)) # was torch.DoubleTensor
3<class 'torch.autograd.variable.Variable'>
4print(x.type())  # OK: 'torch.DoubleTensor'
5'torch.DoubleTensor'
6print(isinstance(x, torch.DoubleTensor))  # OK: True
7True

高潮

下面Amusi介绍一下在Windows下安装PyTorch0.4.0的教程

注意：建议先用Anaconda创建一个虚拟环境，再使用pip安装

下载安装

创建虚拟环境，命名为pytorch4

conda create -n pytorch4 python=3.5

激活pytorch4

activate pytorch4

根据提示下载并安装pytorch4

pip install http://download.pytorch.org/whl/cu80/torch-0.4.0-cp35-cp35m-win_amd64.whl
pip install torchvision

测试安装是否成功

python
import torch
print(torch.__version__)

如果输出0.4.0，那么恭喜Windows下的PyTorch0.4.0安装成功！

MNIST测试示例

新建PyTorch_MNIST.py，写入

  1# Summary:   
  2# Author:    Amusi
  3# Date:      2018-03-31
  4




    
# Reference: https://blog.csdn.net/victoriaw/article/details/72354307
  5
  6from __future__ import print_function
  7import argparse
  8import torch
  9import torch.nn as nn
 10import torch.nn.functional as F
 11import torch.optim as optim
 12from torchvision import datasets, transforms
 13from torch.autograd import Variable
 14
 15# Training settings
 16parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
 17parser.add_argument('--batch-size', type=int, default=64, metavar='N',
 18                    help='input batch size for training (default: 64)')
 19parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
 20                    help='input batch size for testing (default: 1000)')
 21parser.add_argument('--epochs', type=int, default=10, metavar='N',
 22                    help='number of epochs to train (default: 10)')
 23parser.add_argument('--lr', type=float, default=0.01, metavar='LR',
 24                    help='learning rate (default: 0.01)')
 25parser.add_argument('--momentum', type=float, default=0.5, metavar='M',
 26                    help='SGD momentum (default: 0.5)')
 27parser.add_argument('--no-cuda', action='store_true', default=False,
 28                    help='disables CUDA training')
 29parser.add_argument('--seed', type=int, default=1, metavar='S',
 30                    help='random seed (default: 1)')
 31parser.add_argument('--log-interval', type=int, default=10, metavar='N',
 32                    help='how many batches to wait before logging training status')
 33args = parser.parse_args()
 34args.cuda = not args.no_cuda and torch.cuda.is_available()
 35
 36torch.manual_seed(args.seed) #为CPU设置种子用于生成随机数，以使得结果是确定的
 37if args.cuda:
 38    torch.cuda.manual_seed(args.seed)#为当前GPU设置随机种子；如果使用多个GPU，应该使用torch.cuda.manual_seed_all()为所有的GPU设置种子。
 39
 40




    

 41kwargs = {'num_workers': 1, 'pin_memory': True} if args.cuda else {}
 42"""加载数据。组合数据集和采样器，提供数据上的单或多进程迭代器
 43参数：
 44dataset：Dataset类型，从其中加载数据
 45batch_size：int，可选。每个batch加载多少样本
 46shuffle：bool，可选。为True时表示每个epoch都对数据进行洗牌
 47sampler：Sampler，可选。从数据集中采样样本的方法。
 48num_workers：int，可选。加载数据时使用多少子进程。默认值为0，表示在主进程中加载数据。
 49collate_fn：callable，可选。
 50pin_memory：bool，可选
 51drop_last：bool，可选。True表示如果最后剩下不完全的batch,丢弃。False表示不丢弃。
 52"""
 53train_loader = torch.utils.data.DataLoader(
 54    datasets.MNIST('../data', train=True, download=True,
 55                   transform=transforms.Compose([
 56                       transforms.ToTensor(),
 57                       transforms.Normalize((0.1307,), (0.3081,))
 58                   ])),
 59    batch_size=args.batch_size, shuffle=True, **kwargs)
 60test_loader = torch.utils.data.DataLoader(
 61    datasets.MNIST('../data', train=False, transform=transforms.Compose([
 62                       transforms.ToTensor(),
 63                       transforms.Normalize((0.1307,), (0.3081,))
 64                   ])),
 65    batch_size=args.batch_size, shuffle=True, **kwargs)
 66
 67
 68class Net(nn.Module):
 69    def __init__(self):
 70        super(Net, self).__init__()
 71        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)#输入和输出通道数分别为1和10
 72        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)#输入和输出通道数分别为10和20
 73        self.conv2_drop = nn.Dropout2d()#随机选择输入的信道，将其设为0
 74        self.fc1 = nn.Linear(320, 50)#输入的向量大小和输出的大小分别为320和50
 75        self.fc2 = nn.Linear(50, 10)
 76
 77    def forward(self, x):
 78        x = F.relu(F.max_pool2d(self.conv1(x), 2))#conv->max_pool->relu
 79        x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))#conv->dropout->max_pool->relu
 80        x = x.view(-1, 320)
 81        x = F.relu(self.fc1(x))#fc->relu
 82        x = F.dropout(x, training=self.training)#dropout
 83        x = self.fc2(x)
 84        return F.log_softmax(x)
 85
 86model = Net()
 87if args.cuda:
 88    model.cuda()#将所有的模型参数移动到GPU上
 89
 90optimizer = optim.SGD(model.parameters(), lr=args.lr, momentum=args.momentum)
 91
 92def train(epoch):
 93    model.train()#把module设成training模式，对Dropout和BatchNorm有影响
 94    for batch_idx, (data, target) in enumerate(train_loader):

【重磅】PyTorch v0.4.0发布（含Windows版安装教程）

正文

主要核心变化

合并 Tensor 和 Variable 类

请到「今天看啥」查看全文