Pytorch
AI- Pytorch Studying
Tutorial- Pytorch quick start
2021-08-06 10:10
Pytorch: Quick Start
AUTHOR: SungwookLE
DATE: ‘21.8/6
TUTORIAL: Tutorial Pytorch Korea
빠른 시작(QuickStart)
- link 이번 장에서는 기계 학습의 일반적인 작업들을 위한 API를 통해 실행됩니다. 더 자세히 알아보려면 각 장(section)의 링크를 참고하세요.
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda, Compose
import matplotlib.pyplot as plt
torch.cuda.torch.cuda.is_available()
True
1. 데이터 작업하기
파이토치(PyTorch)에는 데이터 작업을 위한 기본 요소 두가지인 torch.utils.data.DataLoader 와 torch.utils.data.Dataset 가 있습니다. Dataset 은 샘플과 정답(label)을 저장하고, DataLoader 는 Dataset 을 반복 가능한 객체(iterable)로 감쌉니다.
# 공개 데이터셋에서 학습 데이터를 내려받습니다.
training_data = datasets.FashionMNIST(
root="data",
train=True,
download=True,
transform=ToTensor(),
)
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz to data/FashionMNIST/raw/train-images-idx3-ubyte.gz
26422272it [00:11, 2290858.89it/s]
Extracting data/FashionMNIST/raw/train-images-idx3-ubyte.gz to data/FashionMNIST/raw
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw/train-labels-idx1-ubyte.gz
29696it [00:00, 123312.91it/s]
Extracting data/FashionMNIST/raw/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz
4422656it [00:08, 528212.22it/s]
Extracting data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz
6144it [00:00, 32292987.19it/s]
Extracting data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw
/home/joker1251/anaconda3/envs/36py_wooks/lib/python3.6/site-packages/torchvision/datasets/mnist.py:498: UserWarning: The given NumPy array is not writeable, and PyTorch does not support non-writeable tensors. This means you can write to the underlying (supposedly non-writeable) NumPy array using the tensor. You may want to copy the array to protect its data or make it writeable before converting it to a tensor. This type of warning will be suppressed for the rest of this program. (Triggered internally at /pytorch/torch/csrc/utils/tensor_numpy.cpp:180.)
return torch.from_numpy(parsed.astype(m[2], copy=False)).view(*s)
-
PyTorch는 TorchText, TorchVision 및 TorchAudio 와 같이 도메인 특화 라이브러리를 데이터셋과 함께 제공하고 있습니다. 이 튜토리얼에서는 TorchVision 데이터셋을 사용하도록 하겠습니다.
-
torchvision.datasets 모듈은 CIFAR, COCO 등과 같은 다양한 실제 비전(vision) 데이터에 대한 Dataset(전체 목록은 여기)을 포함하고 있습니다. 이 튜토리얼에서는 FasionMNIST 데이터셋을 사용합니다. 모든 TorchVision Dataset 은 샘플과 정답을 각각 변경하기 위한 transform 과 target_transform 의 두 인자를 포함합니다.
# 공개 데이터셋에서 테스트 데이터를 내려받습니다.
test_data = datasets.FashionMNIST(
root="data",
train=False,
download=True,
transform=ToTensor(),
)
- Dataset 을 DataLoader 의 인자로 전달합니다. 이는 데이터셋을 반복 가능한 객체(iterable)로 감싸고, 자동화된 배치(batch), 샘플링(sampling), 섞기(shuffle) 및 다증 프로세스로 데이터 불러오기(multiprocess data loading)를 지원합니다. 여기서는 배치 크기(batch size)를 64로 정의합니다. 즉, 데이터로더(dataloader) 객체의 각 요소는 64개의 특징(feature)과 정답(label)을 묶음(batch)으로 반환합니다.
batch_size = 64
# 데이터로더를 생성합니다.
train_dataloader = DataLoader(training_data, batch_size = batch_size)
test_dataloader = DataLoader(test_data, batch_size = batch_size)
for X, y in test_dataloader:
print("Shape of X [N, C, H, W]: ", X.shape)
print("Shape of y: ", y.shape, y.dtype)
break
Shape of X [N, C, H, W]: torch.Size([64, 1, 28, 28])
Shape of y: torch.Size([64]) torch.int64
2. 모델 만들기(*)
- Pytorch에서 신경망 모델은 nn.Module을 상속받는 클래스(class)를 생성하여 정의합니다. init 함수에서 신경망의 계층(layer)들을 정의하고
forward
함수에서 데이터를 어떻게 전달할지 지정합니다. 가능한 경우 GPU로 신경망을 이동시켜 연산을 가속(accelerate)합니다.
# 학습에 사용할 CPU나 GPU 장치를 얻습니다.
device = "cuda" if torch.cuda.torch.cuda.is_available() else "cpu"
print("Using {} device".format(device))
Using cuda device
# 모델을 정의합니다.
class NeuralNetwork(nn.Module):
def __init__(self):
super(NeuralNetwork, self).__init__()
self.flatten = nn.Flatten()
self.linear_relu_stack = nn.Sequential(
nn.Linear(28*28, 512),
nn.ReLU(),
nn.Linear(512, 512),
nn.ReLU(),
nn.Linear(512, 10),
nn.ReLU()
)
def forward(self, x):
x = self.flatten(x)
logits = self.linear_relu_stack(x)
return logits
model = NeuralNetwork().to(device)
print(model)
NeuralNetwork(
(flatten): Flatten(start_dim=1, end_dim=-1)
(linear_relu_stack): Sequential(
(0): Linear(in_features=784, out_features=512, bias=True)
(1): ReLU()
(2): Linear(in_features=512, out_features=512, bias=True)
(3): ReLU()
(4): Linear(in_features=512, out_features=10, bias=True)
(5): ReLU()
)
)
3. 모델 매개변수 최적화하기
- 모델을 학습하려면 손실 함수(loss function) 와 옵티마이저(optimizer) 가 필요합니다.
loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)
- 각 학습 단계(training loop)에서 모델은 (배치(batch)로 제공되는) 학습 데이터셋에 대한 예측을 수행하고, 예측 오류를 역전파하여 모델의 매개변수를 조정합니다.
def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset)
for batch, (X, y) in enumerate(dataloader):
X, y = X.to(device), y.to(device)
# 예측 오류 계산
pred = model(X)
loss = loss_fn(pred, y)
# 역전파
optimizer.zero_grad()
loss.backward()
optimizer.step()
if batch % 100 == 0:
loss, current = loss.item(), batch * len(X)
print(f"loss: {loss:>7f} [{current:>5d}/{size:>5d}]")
- 모델이 학습하고 있는지를 확인하기 위해 테스트 데이터셋으로 모델의 성능을 확인합니다.
def test(dataloader, model, loss_fn):
size = len(dataloader.dataset)
num_batches = len(dataloader)
model.eval()
test_loss, correct = 0,0
with torch.no_grad():
for X,y in dataloader:
X, y = X.to(device), y.to(device)
pred = model(X)
test_loss += loss_fn(pred, y).item()
correct += (pred.argmax(1) == y).type(torch.float).sum().item()
test_loss /= num_batches
correct /= size
print(f"Test Error: \n Accuracy: {(100*correct): >0.1f}%, Avg loss: {test_loss:>8f} \n")
- 학습 단계는 여러번의 반복 단계(epochs)를 거쳐서 수행됩니다. 각 에폭에서는 모델은 더 나은 예측을 하기 위해 매개변수를 학습한니다. 각 에폭마다 모델의 정확도(accuracy)와 손실(loss)을 출력합니다. 에폭마다 정확도가 증가하고 손실이 감소하는 것을 보려고 합니다.
epochs = 5
for t in range(epochs):
print(f"Epoch {t+1} \n-----------------------------------------------")
train(train_dataloader, model, loss_fn, optimizer)
test(test_dataloader, model, loss_fn)
print("Done!")
Epoch 1
-----------------------------------------------
loss: 2.193637 [ 0/60000]
loss: 2.203587 [ 6400/60000]
loss: 2.175505 [12800/60000]
loss: 2.211402 [19200/60000]
loss: 2.133227 [25600/60000]
loss: 2.079954 [32000/60000]
loss: 2.122299 [38400/60000]
loss: 2.062492 [44800/60000]
loss: 2.065115 [51200/60000]
loss: 2.023016 [57600/60000]
Test Error:
Accuracy: 41.6%, Avg loss: 2.057532
Epoch 2
-----------------------------------------------
loss: 2.016894 [ 0/60000]
loss: 2.046291 [ 6400/60000]
loss: 1.994132 [12800/60000]
loss: 2.094479 [19200/60000]
loss: 1.935474 [25600/60000]
loss: 1.845785 [32000/60000]
loss: 1.939914 [38400/60000]
loss: 1.831414 [44800/60000]
loss: 1.853358 [51200/60000]
loss: 1.802729 [57600/60000]
Test Error:
Accuracy: 44.8%, Avg loss: 1.867658
Epoch 3
-----------------------------------------------
loss: 1.781377 [ 0/60000]
loss: 1.849651 [ 6400/60000]
loss: 1.779787 [12800/60000]
loss: 1.958196 [19200/60000]
loss: 1.730441 [25600/60000]
loss: 1.622214 [32000/60000]
loss: 1.758102 [38400/60000]
loss: 1.624734 [44800/60000]
loss: 1.650914 [51200/60000]
loss: 1.613259 [57600/60000]
Test Error:
Accuracy: 46.3%, Avg loss: 1.702955
Epoch 4
-----------------------------------------------
loss: 1.567205 [ 0/60000]
loss: 1.685313 [ 6400/60000]
loss: 1.603254 [12800/60000]
loss: 1.845334 [19200/60000]
loss: 1.576494 [25600/60000]
loss: 1.461073 [32000/60000]
loss: 1.619784 [38400/60000]
loss: 1.477227 [44800/60000]
loss: 1.504015 [51200/60000]
loss: 1.482282 [57600/60000]
Test Error:
Accuracy: 47.0%, Avg loss: 1.581692
Epoch 5
-----------------------------------------------
loss: 1.411528 [ 0/60000]
loss: 1.563468 [ 6400/60000]
loss: 1.470545 [12800/60000]
loss: 1.759837 [19200/60000]
loss: 1.468434 [25600/60000]
loss: 1.350994 [32000/60000]
loss: 1.525407 [38400/60000]
loss: 1.375344 [44800/60000]
loss: 1.406244 [51200/60000]
loss: 1.393930 [57600/60000]
Test Error:
Accuracy: 47.9%, Avg loss: 1.492919
Done!
4. 모델 저장하기
- 모델을 저장하는 일반적인 방법은 (모델의 매개변수들을 포함하여) 내부 상태 사전(internal state dictionary)을 직렬화(serialize)하는 것입니다.
torch.save(model.state_dict(), "model.pth")
print("Saved Pytorch Model State to model.pth")
Saved Pytorch Model State to model.pth
5. 모델 불러오기
- 모델을 불러오는 과정에는 모델 구조를 다시 만들고 상태 사전을 모델에 불러오는 과정이 포함됩니다.
model = NeuralNetwork()
model.load_state_dict(torch.load("model.pth"))
<All keys matched successfully>
classes = [
"T-shirt/top",
"Trouser",
"Pullover",
"Dress",
"Coat",
"Sandal",
"Shirt",
"Sneaker",
"Bag",
"Ankle boot",
]
model.eval()
x, y = test_data[0][0], test_data[0][1]
with torch.no_grad():
pred = model(x)
predicted, actual = classes[pred[0].argmax(0)], classes[y]
print(f'Predicted: "{predicted}", Actual: "{actual}"')
Predicted: "Ankle boot", Actual: "Ankle boot"