前端技術進階：用瀏覽器來斷點調式

前端自從出現了MVVM架構之后，一直火爆到現在，據說阿里巴巴當時不管有用沒用的前端都招過來了，說實在不管是vue、還是react他們的核心語言也是JavaScript，而技術的進階的話還是要看基本功就是對JavaScript的了解程度，所以你會發現一些程序編程大牛，到最后還是會回頭看JavaScript的基礎，因為架構可能發生改變但是原生基礎是改變不了的。

那么想要深入了解JavaScript的話，就必須對瀏覽器中的調式工具應用的熟練，瀏覽器中擁有一個神一樣的調式工具，這通常是前端程序員進階的分水嶺。那就是"斷點調式"，千萬別小瞧這個，很多公司通過一個項目的bug來看程序員是如何打斷點并且找到解決方案，來判斷前端程序員的水平的。
以chorme瀏覽器調式為例子：

快捷鍵F12或者通過設置打開開發者工具看到sources就是斷點調式的入口

首先在實例之前的話我要介紹下斷點的類型：
普通斷點：

這種藍色的就是普通的斷點

條件斷點：

通過打完斷點之后右鍵選擇Edit Breakpoint...”可以設置觸發斷點的條件，就是寫一個表達式，表達式為 true 時才觸發斷點。

斷點要怎么打才合適？
雖然說打斷點的操作是比較簡單的，但是打斷點到底應該如何打呢？通常來說一個程序擁有bugs時我們運用到斷點是比較多的，比如下圖所示：

本來點擊加載更多完之后會有更多的數據

有經驗的程序員看到這種情況一般來說要么是后端的接口產生問題了，要么自己的ajax出現了問題，這個時候就可以用斷點進行調式。其實可以現用postman調式一下后端的數據是否出現問題了，如果后端訪問的是正常的，那么基本是我們的前端代碼出現問題了。前端點擊無效果如果細分的話也有很多因素（選擇器錯誤，語法錯誤，被選擇的元素是后生成），這些的話，就需要程序員通過采用console來配合基本功來慢慢調式。最終找到問題所在，然后來改掉bug！

源：關于數據分析與可視化

本文約8000字，建議閱讀10+分鐘

本文是PyTorch常用代碼段合集，涵蓋基本配置、張量處理、模型定義與操作、數據處理、模型訓練與測試等5個方面，還給出了多個值得注意的Tips，內容非常全面。

PyTorch最好的資料是官方文檔。本文是PyTorch常用代碼段，在參考資料[1](張皓：PyTorch Cookbook)的基礎上做了一些修補，方便使用時查閱。

基本配置

導入包和版本查詢

import torch

import torch.nn as nn

import torchvision

print(torch.__version__)

print(torch.version.cuda)

print(torch.backends.cudnn.version())

print(torch.cuda.get_device_name(0))

可復現性

在硬件設備（CPU、GPU）不同時，完全的可復現性無法保證，即使隨機種子相同。但是，在同一個設備上，應該保證可復現性。具體做法是，在程序開始的時候固定torch的隨機種子，同時也把numpy的隨機種子固定。

np.random.seed(0)

torch.manual_seed(0)

torch.cuda.manual_seed_all(0)




torch.backends.cudnn.deterministic = True

torch.backends.cudnn.benchmark = False

顯卡設置

如果只需要一張顯卡。

# Device configuration

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

如果需要指定多張顯卡，比如0，1號顯卡。

import osos.environ['CUDA_VISIBLE_DEVICES'] = '0,1'

也可以在命令行運行代碼時設置顯卡：

CUDA_VISIBLE_DEVICES=0,1 python train.py

清除顯存：

torch.cuda.empty_cache()

也可以使用在命令行重置GPU的指令：

nvidia-smi --gpu-reset -i [gpu_id]

張量(Tensor)處理

張量的數據類型

PyTorch有9種CPU張量類型和9種GPU張量類型。

張量基本信息

tensor = torch.randn(3,4,5)print(tensor.type())  # 數據類型print(tensor.size())  # 張量的shape，是個元組print(tensor.dim())   # 維度的數量

命名張量

張量命名是一個非常有用的方法，這樣可以方便地使用維度的名字來做索引或其他操作，大大提高了可讀性、易用性，防止出錯。

# 在PyTorch 1.3之前，需要使用注釋
# Tensor[N, C, H, W]
images = torch.randn(32, 3, 56, 56)
images.sum(dim=1)
images.select(dim=1, index=0)


# PyTorch 1.3之后
NCHW = [‘N’, ‘C’, ‘H’, ‘W’]
images = torch.randn(32, 3, 56, 56, names=NCHW)
images.sum('C')
images.select('C', index=0)
# 也可以這么設置
tensor = torch.rand(3,4,1,2,names=('C', 'N', 'H', 'W'))
# 使用align_to可以對維度方便地排序
tensor = tensor.align_to('N', 'C', 'H', 'W')

數據類型轉換

# 設置默認類型，pytorch中的FloatTensor遠遠快于DoubleTensor

torch.set_default_tensor_type(torch.FloatTensor)




# 類型轉換

tensor = tensor.cuda()

tensor = tensor.cpu()

tensor = tensor.float()

tensor = tensor.long()

torch.Tensor與np.ndarray轉換

除了CharTensor，其他所有CPU上的張量都支持轉換為numpy格式然后再轉換回來。

ndarray = tensor.cpu().numpy()

tensor = torch.from_numpy(ndarray).float()

tensor = torch.from_numpy(ndarray.copy()).float() # If ndarray has negative stride.

Torch.tensor與PIL.Image轉換

# pytorch中的張量默認采用[N, C, H, W]的順序，并且數據范圍在[0,1]，需要進行轉置和規范化

# torch.Tensor -> PIL.Image

image = PIL.Image.fromarray(torch.clamp(tensor*255, min=0, max=255).byte().permute(1,2,0).cpu().numpy())

image = torchvision.transforms.functional.to_pil_image(tensor)  # Equivalently way




# PIL.Image -> torch.Tensor

path = r'./figure.jpg'

tensor = torch.from_numpy(np.asarray(PIL.Image.open(path))).permute(2,0,1).float() / 255

tensor = torchvision.transforms.functional.to_tensor(PIL.Image.open(path)) # Equivalently way

np.ndarray與PIL.Image的轉換

image = PIL.Image.fromarray(ndarray.astype(np.uint8))

ndarray = np.asarray(PIL.Image.open(path))

從只包含一個元素的張量中提取值

value = torch.rand(1).item()

張量形變

# 在將卷積層輸入全連接層的情況下通常需要對張量做形變處理，

# 相比torch.view，torch.reshape可以自動處理輸入張量不連續的情況




tensor = torch.rand(2,3,4)

shape = (6, 4)

tensor = torch.reshape(tensor, shape)

打亂順序

tensor = tensor[torch.randperm(tensor.size(0))]  # 打亂第一個維度

水平翻轉

# pytorch不支持tensor[::-1]這樣的負步長操作，水平翻轉可以通過張量索引實現

# 假設張量的維度為[N, D, H, W].




tensor = tensor[:,:,:,torch.arange(tensor.size(3) - 1, -1, -1).long()]

復制張量

# Operation                 |  New/Shared memory | Still in computation graph |
tensor.clone()            # |        New         |          Yes               |
tensor.detach()           # |      Shared        |          No                |
tensor.detach.clone()()   # |        New         |          No                |

張量拼接

'''

注意torch.cat和torch.stack的區別在于torch.cat沿著給定的維度拼接，

而torch.stack會新增一維。例如當參數是3個10x5的張量，torch.cat的結果是30x5的張量，

而torch.stack的結果是3x10x5的張量。

'''

tensor = torch.cat(list_of_tensors, dim=0)

tensor = torch.stack(list_of_tensors, dim=0)

將整數標簽轉為one-hot編碼

# pytorch的標記默認從0開始

tensor = torch.tensor([0, 2, 1, 3])

N = tensor.size(0)

num_classes = 4

one_hot = torch.zeros(N, num_classes).long()

one_hot.scatter_(dim=1, index=torch.unsqueeze(tensor, dim=1), src=torch.ones(N, num_classes).long())

得到非零元素

torch.nonzero(tensor)               # index of non-zero elements

torch.nonzero(tensor==0)            # index of zero elements

torch.nonzero(tensor).size(0)       # number of non-zero elements

torch.nonzero(tensor == 0).size(0)  # number of zero elements

判斷兩個張量相等

torch.allclose(tensor1, tensor2)  # float tensor

torch.equal(tensor1, tensor2)     # int tensor

張量擴展

# Expand tensor of shape 64*512 to shape 64*512*7*7.

tensor = torch.rand(64,512)

torch.reshape(tensor, (64, 512, 1, 1)).expand(64, 512, 7, 7)

矩陣乘法

# Matrix multiplcation: (m*n) * (n*p) * -> (m*p).

result = torch.mm(tensor1, tensor2)




# Batch matrix multiplication: (b*m*n) * (b*n*p) -> (b*m*p)

result = torch.bmm(tensor1, tensor2)




# Element-wise multiplication.

result = tensor1 * tensor2

計算兩組數據之間的兩兩歐式距離

利用廣播機制

dist = torch.sqrt(torch.sum((X1[:,None,:] - X2) ** 2, dim=2))

模型定義和操作

一個簡單兩層卷積網絡的示例：

# convolutional neural network (2 convolutional layers)

class ConvNet(nn.Module):

    def __init__(self, num_classes=10):

        super(ConvNet, self).__init__()

        self.layer1 = nn.Sequential(

            nn.Conv2d(1, 16, kernel_size=5, stride=1, padding=2),

            nn.BatchNorm2d(16),

            nn.ReLU(),

            nn.MaxPool2d(kernel_size=2, stride=2))

        self.layer2 = nn.Sequential(

            nn.Conv2d(16, 32, kernel_size=5, stride=1, padding=2),

            nn.BatchNorm2d(32),

            nn.ReLU(),

            nn.MaxPool2d(kernel_size=2, stride=2))

        self.fc = nn.Linear(7*7*32, num_classes)




    def forward(self, x):

        out = self.layer1(x)

        out = self.layer2(out)

        out = out.reshape(out.size(0), -1)

        out = self.fc(out)

        return out




model = ConvNet(num_classes).to(device)

卷積層的計算和展示可以用這個網站輔助。

雙線性匯合（bilinear pooling）

X = torch.reshape(N, D, H * W)                        # Assume X has shape N*D*H*W

X = torch.bmm(X, torch.transpose(X, 1, 2)) / (H * W)  # Bilinear pooling

assert X.size() == (N, D, D)

X = torch.reshape(X, (N, D * D))

X = torch.sign(X) * torch.sqrt(torch.abs(X) + 1e-5)   # Signed-sqrt normalization

X = torch.nn.functional.normalize(X)                  # L2 normalization

多卡同步 BN（Batch normalization）

當使用 torch.nn.DataParallel 將代碼運行在多張 GPU 卡上時，PyTorch 的 BN 層默認操作是各卡上數據獨立地計算均值和標準差，同步 BN 使用所有卡上的數據一起計算 BN 層的均值和標準差，緩解了當批量大?。╞atch size）比較小時對均值和標準差估計不準的情況，是在目標檢測等任務中一個有效的提升性能的技巧。

sync_bn = torch.nn.SyncBatchNorm(num_features, 

                                 eps=1e-05, 

                                 momentum=0.1, 

                                 affine=True, 

                                 track_running_stats=True)

將已有網絡的所有BN層改為同步BN層

def convertBNtoSyncBN(module, process_group=None):

    '''Recursively replace all BN layers to SyncBN layer.




    Args:

        module[torch.nn.Module]. Network

    '''

    if isinstance(module, torch.nn.modules.batchnorm._BatchNorm):

        sync_bn = torch.nn.SyncBatchNorm(module.num_features, module.eps, module.momentum, 

                                         module.affine, module.track_running_stats, process_group)

        sync_bn.running_mean = module.running_mean

        sync_bn.running_var = module.running_var

        if module.affine:

            sync_bn.weight = module.weight.clone().detach()

            sync_bn.bias = module.bias.clone().detach()

        return sync_bn

    else:

        for name, child_module in module.named_children():

            setattr(module, name) = convert_syncbn_model(child_module, process_group=process_group))

        return module

類似 BN 滑動平均

如果要實現類似 BN 滑動平均的操作，在 forward 函數中要使用原地（inplace）操作給滑動平均賦值。

class BN(torch.nn.Module)

    def __init__(self):

        ...

        self.register_buffer('running_mean', torch.zeros(num_features))




    def forward(self, X):

        ...

        self.running_mean += momentum * (current - self.running_mean)

計算模型整體參數量

num_parameters = sum(torch.numel(parameter) for parameter in model.parameters())

查看網絡中的參數

可以通過model.state_dict()或者model.named_parameters()函數查看現在的全部可訓練參數（包括通過繼承得到的父類中的參數）

params = list(model.named_parameters())

(name, param) = params[28]

print(name)

print(param.grad)

print('-------------------------------------------------')

(name2, param2) = params[29]

print(name2)

print(param2.grad)

print('----------------------------------------------------')

(name1, param1) = params[30]

print(name1)

print(param1.grad)

模型可視化（使用pytorchviz）

szagoruyko/pytorchvizgithub.com

類似 Keras 的 model.summary() 輸出模型信息，使用pytorch-summary。

sksq96/pytorch-summarygithub.com

模型權重初始化

注意 model.modules() 和 model.children() 的區別：model.modules() 會迭代地遍歷模型的所有子層，而 model.children() 只會遍歷模型下的一層。

# Common practise for initialization.

for layer in model.modules():

    if isinstance(layer, torch.nn.Conv2d):

        torch.nn.init.kaiming_normal_(layer.weight, mode='fan_out',

                                      nonlinearity='relu')

        if layer.bias is not None:

            torch.nn.init.constant_(layer.bias, val=0.0)

    elif isinstance(layer, torch.nn.BatchNorm2d):

        torch.nn.init.constant_(layer.weight, val=1.0)

        torch.nn.init.constant_(layer.bias, val=0.0)

    elif isinstance(layer, torch.nn.Linear):

        torch.nn.init.xavier_normal_(layer.weight)

        if layer.bias is not None:

            torch.nn.init.constant_(layer.bias, val=0.0)




# Initialization with given tensor.

layer.weight = torch.nn.Parameter(tensor)

提取模型中的某一層

modules()會返回模型中所有模塊的迭代器，它能夠訪問到最內層，比如self.layer1.conv1這個模塊，還有一個與它們相對應的是name_children()屬性以及named_modules(),這兩個不僅會返回模塊的迭代器，還會返回網絡層的名字。

# 取模型中的前兩層

new_model = nn.Sequential(*list(model.children())[:2] 

# 如果希望提取出模型中的所有卷積層，可以像下面這樣操作：

for layer in model.named_modules():

    if isinstance(layer[1],nn.Conv2d):

         conv_model.add_module(layer[0],layer[1])

部分層使用預訓練模型

注意如果保存的模型是 torch.nn.DataParallel，則當前的模型也需要是：

model.load_state_dict(torch.load('model.pth'), strict=False)

將在 GPU 保存的模型加載到 CPU

model.load_state_dict(torch.load('model.pth', map_location='cpu'))

導入另一個模型的相同部分到新的模型

模型導入參數時，如果兩個模型結構不一致，則直接導入參數會報錯。用下面方法可以把另一個模型的相同的部分導入到新的模型中。

# model_new代表新的模型

# model_saved代表其他模型，比如用torch.load導入的已保存的模型

model_new_dict = model_new.state_dict()

model_common_dict = {k:v for k, v in model_saved.items() if k in model_new_dict.keys()}

model_new_dict.update(model_common_dict)

model_new.load_state_dict(model_new_dict)

數據處理

計算數據集的均值和標準差

import os

import cv2

import numpy as np

from torch.utils.data import Dataset

from PIL import Image







def compute_mean_and_std(dataset):

    # 輸入PyTorch的dataset，輸出均值和標準差

    mean_r = 0

    mean_g = 0

    mean_b = 0




    for img, _ in dataset:

        img = np.asarray(img) # change PIL Image to numpy array

        mean_b += np.mean(img[:, :, 0])

        mean_g += np.mean(img[:, :, 1])

        mean_r += np.mean(img[:, :, 2])




    mean_b /= len(dataset)

    mean_g /= len(dataset)

    mean_r /= len(dataset)




    diff_r = 0

    diff_g = 0

    diff_b = 0




    N = 0




    for img, _ in dataset:

        img = np.asarray(img)




        diff_b += np.sum(np.power(img[:, :, 0] - mean_b, 2))

        diff_g += np.sum(np.power(img[:, :, 1] - mean_g, 2))

        diff_r += np.sum(np.power(img[:, :, 2] - mean_r, 2))




        N += np.prod(img[:, :, 0].shape)




    std_b = np.sqrt(diff_b / N)

    std_g = np.sqrt(diff_g / N)

    std_r = np.sqrt(diff_r / N)




    mean = (mean_b.item() / 255.0, mean_g.item() / 255.0, mean_r.item() / 255.0)

    std = (std_b.item() / 255.0, std_g.item() / 255.0, std_r.item() / 255.0)

    return mean, std

得到視頻數據基本信息

import cv2

video = cv2.VideoCapture(mp4_path)

height = int(video.get(cv2.CAP_PROP_FRAME_HEIGHT))

width = int(video.get(cv2.CAP_PROP_FRAME_WIDTH))

num_frames = int(video.get(cv2.CAP_PROP_FRAME_COUNT))

fps = int(video.get(cv2.CAP_PROP_FPS))

video.release()

TSN 每段（segment）采樣一幀視頻

K = self._num_segments

if is_train:

    if num_frames > K:

        # Random index for each segment.

        frame_indices = torch.randint(

            high=num_frames // K, size=(K,), dtype=torch.long)

        frame_indices += num_frames // K * torch.arange(K)

    else:

        frame_indices = torch.randint(

            high=num_frames, size=(K - num_frames,), dtype=torch.long)

        frame_indices = torch.sort(torch.cat((

            torch.arange(num_frames), frame_indices)))[0]

else:

    if num_frames > K:

        # Middle index for each segment.

        frame_indices = num_frames / K // 2

        frame_indices += num_frames // K * torch.arange(K)

    else:

        frame_indices = torch.sort(torch.cat((                              

            torch.arange(num_frames), torch.arange(K - num_frames))))[0]

assert frame_indices.size() == (K,)

return [frame_indices[i] for i in range(K)]

常用訓練和驗證數據預處理

其中 ToTensor 操作會將 PIL.Image 或形狀為 H×W×D，數值范圍為 [0, 255] 的 np.ndarray 轉換為形狀為 D×H×W，數值范圍為 [0.0, 1.0] 的 torch.Tensor。

train_transform = torchvision.transforms.Compose([

    torchvision.transforms.RandomResizedCrop(size=224,

                                             scale=(0.08, 1.0)),

    torchvision.transforms.RandomHorizontalFlip(),

    torchvision.transforms.ToTensor(),

    torchvision.transforms.Normalize(mean=(0.485, 0.456, 0.406),

                                     std=(0.229, 0.224, 0.225)),

 ])

 val_transform = torchvision.transforms.Compose([

    torchvision.transforms.Resize(256),

    torchvision.transforms.CenterCrop(224),

    torchvision.transforms.ToTensor(),

    torchvision.transforms.Normalize(mean=(0.485, 0.456, 0.406),

                                     std=(0.229, 0.224, 0.225)),

])

模型訓練和測試

分類模型訓練代碼

# Loss and optimizer

criterion = nn.CrossEntropyLoss()

optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)




# Train the model

total_step = len(train_loader)

for epoch in range(num_epochs):

    for i ,(images, labels) in enumerate(train_loader):

        images = images.to(device)

        labels = labels.to(device)




        # Forward pass

        outputs = model(images)

        loss = criterion(outputs, labels)




        # Backward and optimizer

        optimizer.zero_grad()

        loss.backward()

        optimizer.step()




        if (i+1) % 100 == 0:

            print('Epoch: [{}/{}], Step: [{}/{}], Loss: {}'

                  .format(epoch+1, num_epochs, i+1, total_step, loss.item()))

分類模型測試代碼

# Test the model

model.eval()  # eval mode(batch norm uses moving mean/variance 

              #instead of mini-batch mean/variance)

with torch.no_grad():

    correct = 0

    total = 0

    for images, labels in test_loader:

        images = images.to(device)

        labels = labels.to(device)

        outputs = model(images)

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

        total += labels.size(0)

        correct += (predicted == labels).sum().item()




    print('Test accuracy of the model on the 10000 test images: {} %'

          .format(100 * correct / total))

自定義loss

繼承torch.nn.Module類寫自己的loss。

class MyLoss(torch.nn.Moudle):

    def __init__(self):

        super(MyLoss, self).__init__()




    def forward(self, x, y):

        loss = torch.mean((x - y) ** 2)

        return loss

標簽平滑（label smoothing）

寫一個label_smoothing.py的文件，然后在訓練代碼里引用，用LSR代替交叉熵損失即可。label_smoothing.py內容如下：

import torch

import torch.nn as nn







class LSR(nn.Module):




    def __init__(self, e=0.1, reduction='mean'):

        super().__init__()




        self.log_softmax = nn.LogSoftmax(dim=1)

        self.e = e

        self.reduction = reduction




    def _one_hot(self, labels, classes, value=1):

        """

            Convert labels to one hot vectors




        Args:

            labels: torch tensor in format [label1, label2, label3, ...]

            classes: int, number of classes

            value: label value in one hot vector, default to 1




        Returns:

            return one hot format labels in shape [batchsize, classes]

        """




        one_hot = torch.zeros(labels.size(0), classes)




        #labels and value_added  size must match

        labels = labels.view(labels.size(0), -1)

        value_added = torch.Tensor(labels.size(0), 1).fill_(value)




        value_added = value_added.to(labels.device)

        one_hot = one_hot.to(labels.device)




        one_hot.scatter_add_(1, labels, value_added)




        return one_hot




    def _smooth_label(self, target, length, smooth_factor):

        """convert targets to one-hot format, and smooth

        them.

        Args:

            target: target in form with [label1, label2, label_batchsize]

            length: length of one-hot format(number of classes)

            smooth_factor: smooth factor for label smooth




        Returns:

            smoothed labels in one hot format

        """

        one_hot = self._one_hot(target, length, value=1 - smooth_factor)

        one_hot += smooth_factor / (length - 1)




        return one_hot.to(target.device)




    def forward(self, x, target):




        if x.size(0) != target.size(0):

            raise ValueError('Expected input batchsize ({}) to match target batch_size({})'

                    .format(x.size(0), target.size(0)))




        if x.dim() < 2:

            raise ValueError('Expected input tensor to have least 2 dimensions(got {})'

                    .format(x.size(0)))




        if x.dim() != 2:

            raise ValueError('Only 2 dimension tensor are implemented, (got {})'

                    .format(x.size()))







        smoothed_target = self._smooth_label(target, x.size(1), self.e)

        x = self.log_softmax(x)

        loss = torch.sum(- x * smoothed_target, dim=1)




        if self.reduction == 'none':

            return loss




        elif self.reduction == 'sum':

            return torch.sum(loss)




        elif self.reduction == 'mean':

            return torch.mean(loss)




        else:

            raise ValueError('unrecognized option, expect reduction to be one of none, mean, sum')

或者直接在訓練文件里做label smoothing：

for images, labels in train_loader:

    images, labels = images.cuda(), labels.cuda()

    N = labels.size(0)

    # C is the number of classes.

    smoothed_labels = torch.full(size=(N, C), fill_value=0.1 / (C - 1)).cuda()

    smoothed_labels.scatter_(dim=1, index=torch.unsqueeze(labels, dim=1), value=0.9)




    score = model(images)

    log_prob = torch.nn.functional.log_softmax(score, dim=1)

    loss = -torch.sum(log_prob * smoothed_labels) / N

    optimizer.zero_grad()

    loss.backward()

    optimizer.step()

Mixup訓練

beta_distribution = torch.distributions.beta.Beta(alpha, alpha)

for images, labels in train_loader:

    images, labels = images.cuda(), labels.cuda()




    # Mixup images and labels.

    lambda_ = beta_distribution.sample([]).item()

    index = torch.randperm(images.size(0)).cuda()

    mixed_images = lambda_ * images + (1 - lambda_) * images[index, :]

    label_a, label_b = labels, labels[index]




    # Mixup loss.

    scores = model(mixed_images)

    loss = (lambda_ * loss_function(scores, label_a)

            + (1 - lambda_) * loss_function(scores, label_b))

    optimizer.zero_grad()

    loss.backward()

    optimizer.step()

L1 正則化

l1_regularization = torch.nn.L1Loss(reduction='sum')

loss = ...  # Standard cross-entropy loss




for param in model.parameters():

    loss += torch.sum(torch.abs(param))

loss.backward()

不對偏置項進行權重衰減（weight decay)

pytorch里的weight decay相當于l2正則：

bias_list = (param for name, param in model.named_parameters() if name[-4:] == 'bias')

others_list = (param for name, param in model.named_parameters() if name[-4:] != 'bias')

parameters = [{'parameters': bias_list, 'weight_decay': 0},                

              {'parameters': others_list}]

optimizer = torch.optim.SGD(parameters, lr=1e-2, momentum=0.9, weight_decay=1e-4)

梯度裁剪（gradient clipping）

torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=20)

得到當前學習率

# If there is one global learning rate (which is the common case).

lr = next(iter(optimizer.param_groups))['lr']




# If there are multiple learning rates for different layers.

all_lr = []

for param_group in optimizer.param_groups:

    all_lr.append(param_group['lr'])

另一種方法，在一個batch訓練代碼里，當前的lr是optimizer.param_groups[0]['lr']

學習率衰減

# Reduce learning rate when validation accuarcy plateau.

scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='max', patience=5, verbose=True)

for t in range(0, 80):

    train(...)

    val(...)

    scheduler.step(val_acc)




# Cosine annealing learning rate.

scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=80)

# Reduce learning rate by 10 at given epochs.

scheduler = torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones=[50, 70], gamma=0.1)

for t in range(0, 80):

    scheduler.step()    

    train(...)

    val(...)




# Learning rate warmup by 10 epochs.

scheduler = torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda=lambda t: t / 10)

for t in range(0, 10):

    scheduler.step()

    train(...)

    val(...)

優化器鏈式更新

從1.4版本開始，torch.optim.lr_scheduler 支持鏈式更新（chaining），即用戶可以定義兩個 schedulers，并交替在訓練中使用。

import torch

from torch.optim import SGD

from torch.optim.lr_scheduler import ExponentialLR, StepLR

model = [torch.nn.Parameter(torch.randn(2, 2, requires_grad=True))]

optimizer = SGD(model, 0.1)

scheduler1 = ExponentialLR(optimizer, gamma=0.9)

scheduler2 = StepLR(optimizer, step_size=3, gamma=0.1)

for epoch in range(4):

    print(epoch, scheduler2.get_last_lr()[0])

    optimizer.step()

    scheduler1.step()

    scheduler2.step()

模型訓練可視化

PyTorch可以使用tensorboard來可視化訓練過程。

安裝和運行TensorBoard。

pip install tensorboard

tensorboard --logdir=runs

使用SummaryWriter類來收集和可視化相應的數據，放了方便查看，可以使用不同的文件夾，比如'Loss/train'和'Loss/test'。

from torch.utils.tensorboard import SummaryWriter

import numpy as np




writer = SummaryWriter()




for n_iter in range(100):

    writer.add_scalar('Loss/train', np.random.random(), n_iter)

    writer.add_scalar('Loss/test', np.random.random(), n_iter)

    writer.add_scalar('Accuracy/train', np.random.random(), n_iter)

    writer.add_scalar('Accuracy/test', np.random.random(), n_iter)

保存與加載斷點

注意為了能夠恢復訓練，我們需要同時保存模型和優化器的狀態，以及當前的訓練輪數。

start_epoch = 0

# Load checkpoint.

if resume: # resume為參數，第一次訓練時設為0，中斷再訓練時設為1

    model_path = os.path.join('model', 'best_checkpoint.pth.tar')

    assert os.path.isfile(model_path)

    checkpoint = torch.load(model_path)

    best_acc = checkpoint['best_acc']

    start_epoch = checkpoint['epoch']

    model.load_state_dict(checkpoint['model'])

    optimizer.load_state_dict(checkpoint['optimizer'])

    print('Load checkpoint at epoch {}.'.format(start_epoch))

    print('Best accuracy so far {}.'.format(best_acc))




# Train the model

for epoch in range(start_epoch, num_epochs): 

    ... 




    # Test the model

    ...




    # save checkpoint

    is_best = current_acc > best_acc

    best_acc = max(current_acc, best_acc)

    checkpoint = {

        'best_acc': best_acc,

        'epoch': epoch + 1,

        'model': model.state_dict(),

        'optimizer': optimizer.state_dict(),

    }

    model_path = os.path.join('model', 'checkpoint.pth.tar')

    best_model_path = os.path.join('model', 'best_checkpoint.pth.tar')

    torch.save(checkpoint, model_path)

    if is_best:

        shutil.copy(model_path, best_model_path)

提取 ImageNet 預訓練模型某層的卷積特征

# VGG-16 relu5-3 feature.

model = torchvision.models.vgg16(pretrained=True).features[:-1]

# VGG-16 pool5 feature.

model = torchvision.models.vgg16(pretrained=True).features

# VGG-16 fc7 feature.

model = torchvision.models.vgg16(pretrained=True)

model.classifier = torch.nn.Sequential(*list(model.classifier.children())[:-3])

# ResNet GAP feature.

model = torchvision.models.resnet18(pretrained=True)

model = torch.nn.Sequential(collections.OrderedDict(

    list(model.named_children())[:-1]))




with torch.no_grad():

    model.eval()

    conv_representation = model(image)

提取 ImageNet 預訓練模型多層的卷積特征

class FeatureExtractor(torch.nn.Module):

    """Helper class to extract several convolution features from the given

    pre-trained model.




    Attributes:

        _model, torch.nn.Module.

        _layers_to_extract, list<str> or set<str>




    Example:

        >>> model = torchvision.models.resnet152(pretrained=True)

        >>> model = torch.nn.Sequential(collections.OrderedDict(

                list(model.named_children())[:-1]))

        >>> conv_representation = FeatureExtractor(

                pretrained_model=model,

                layers_to_extract={'layer1', 'layer2', 'layer3', 'layer4'})(image)

    """

    def __init__(self, pretrained_model, layers_to_extract):

        torch.nn.Module.__init__(self)

        self._model = pretrained_model

        self._model.eval()

        self._layers_to_extract = set(layers_to_extract)




    def forward(self, x):

        with torch.no_grad():

            conv_representation = []

            for name, layer in self._model.named_children():

                x = layer(x)

                if name in self._layers_to_extract:

                    conv_representation.append(x)

            return conv_representation

微調全連接層

model = torchvision.models.resnet18(pretrained=True)
for param in model.parameters():
    param.requires_grad = False
model.fc = nn.Linear(512, 100)  # Replace the last fc layer
optimizer = torch.optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9, weight_decay=1e-4)

以較大學習率微調全連接層，較小學習率微調卷積層：

model = torchvision.models.resnet18(pretrained=True)

finetuned_parameters = list(map(id, model.fc.parameters()))

conv_parameters = (p for p in model.parameters() if id(p) not in finetuned_parameters)

parameters = [{'params': conv_parameters, 'lr': 1e-3}, 

              {'params': model.fc.parameters()}]

optimizer = torch.optim.SGD(parameters, lr=1e-2, momentum=0.9, weight_decay=1e-4)

其他注意事項

不要使用太大的線性層。因為nn.Linear(m,n)使用的是的內存，線性層太大很容易超出現有顯存。
不要在太長的序列上使用RNN。因為RNN反向傳播使用的是BPTT算法，其需要的內存和輸入序列的長度呈線性關系。
model(x) 前用 model.train() 和 model.eval() 切換網絡狀態。
不需要計算梯度的代碼塊用 with torch.no_grad() 包含起來。
model.eval() 和 torch.no_grad() 的區別在于，model.eval() 是將網絡切換為測試狀態，例如 BN 和dropout在訓練和測試階段使用不同的計算方法。torch.no_grad() 是關閉 PyTorch 張量的自動求導機制，以減少存儲使用和加速計算，得到的結果無法進行 loss.backward()。
model.zero_grad()會把整個模型的參數的梯度都歸零, 而optimizer.zero_grad()只會把傳入其中的參數的梯度歸零.
torch.nn.CrossEntropyLoss 的輸入不需要經過 Softmax。torch.nn.CrossEntropyLoss 等價于 torch.nn.functional.log_softmax + torch.nn.NLLLoss。
loss.backward() 前用 optimizer.zero_grad() 清除累積梯度。
torch.utils.data.DataLoader 中盡量設置 pin_memory=True，對特別小的數據集如 MNIST 設置 pin_memory=False 反而更快一些。num_workers 的設置需要在實驗中找到最快的取值。
用 del 及時刪除不用的中間變量，節約 GPU 存儲。使用 inplace 操作可節約 GPU 存儲，如：

x = torch.nn.functional.relu(x, inplace=True)

減少 CPU 和 GPU 之間的數據傳輸。例如如果你想知道一個 epoch 中每個 mini-batch 的 loss 和準確率，先將它們累積在 GPU 中等一個 epoch 結束之后一起傳輸回 CPU 會比每個 mini-batch 都進行一次 GPU 到 CPU 的傳輸更快。

使用半精度浮點數 half() 會有一定的速度提升，具體效率依賴于 GPU 型號。需要小心數值精度過低帶來的穩定性問題。

時常使用 assert tensor.size() == (N, D, H, W) 作為調試手段，確保張量維度和你設想中一致。

除了標記 y 外，盡量少使用一維張量，使用 n*1 的二維張量代替，可以避免一些意想不到的一維張量計算結果。

統計代碼各部分耗時：

with torch.autograd.profiler.profile(enabled=True, use_cuda=False) as profile:    

  ...print(profile)# 或者在命令行運行python -m torch.utils.bottleneck main.py

使用TorchSnooper來調試PyTorch代碼，程序在執行的時候，就會自動 print 出來每一行的執行結果的 tensor 的形狀、數據類型、設備、是否需要梯度的信息。

# pip install torchsnooper

import torchsnooper# 對于函數，使用修飾器@torchsnooper.snoop()




# 如果不是函數，使用 with 語句來激活 TorchSnooper，把訓練的那個循環裝進 with 語句中去。

with torchsnooper.snoop():    

  原本的代碼

https://github.com/zasdfgbnm/TorchSnoopergithub.com

模型可解釋性，使用captum庫：https://captum.ai/captum.ai

參考資料

張皓：PyTorch Cookbook，https://zhuanlan.zhihu.com/p/59205847?
PyTorch官方文檔和示例
https://pytorch.org/docs/stable/notes/faq.html
https://github.com/szagoruyko/pytorchviz
https://github.com/sksq96/pytorch-summary等

學術分享，來源丨https://zhuanlan.zhihu.com/p/104019160

文件上傳如何做斷點續傳?全端+后端結合開發，VUE實現文件上傳(單文件、多文件、分片上傳)，JS中實現文件上傳下載的三種解決方案(推薦)，JS實現大文件上傳——分片上傳方法，完美解決WEB無法上傳大文件方法，HTML大文件上傳源碼，WEBUPLOAD組件實現文件上傳功能和下載功能，js大文件上傳下載解決方案，vue大文件上傳下載解決方案，asp.net大文件上傳下載解決方案，.net大文件上傳下載解決方案，webform大文件上傳下載解決方案，jsp大文件上傳下載解決方案，java大文件上傳下載解決方案，JAVASCRIPT 大文件上傳下載切片解決方案，JAVASCRIPT 大文件上傳下載切割解決方案，JAVASCRIPT 大文件上傳下載分割解決方案，JAVASCRIPT 大文件上傳下載分塊解決方案，JAVASCRIPT 大文件上傳下載分片解決方案，web大文件上傳下載解決方案，網頁大文件上傳下載解決方案，前端大文件上傳下載解決方案，html5大文件上傳下載解決方案，JAVASCRIPT 大文件上傳下載解決方案，支持HTML5,VUE2,VUE3,React，javascript等常用前端UI框架，JS框架，網上找的方案大多數都只是一些代碼片段，沒有提供完整的前后端代碼。

跟項目經理溝通過，這塊網上搜到的文章能用的幾乎沒有。

之前項目上面用Flash比較多一點，現在基本上都是HTML5，斷點續傳除了頁面級以外最好還能夠提供離線支持。

支持IE，Chrome和信創國產化環境，比如銀河麒麟，統信UOS，龍芯，

支持分片，分塊，分段，切片，分割上傳。能夠突破chrome每域名的5個TCP連接限制，能夠突破chrome重啟，關閉瀏覽器續傳的限制。

支持10G,20G,50G,100G文件上傳和續傳，支持秒傳，支持文件夾上傳，重復文件檢測，重復文件校驗

支持文件下載，批量下載，下載斷點續傳，加密下載，端到端加密，加密算法支持國密SM4，多線程下載

支持在服務端保存文件夾層級結構，支持將文件夾層級結構信息保存到數據庫中，支持下載時能夠將文件夾層級結構下載下來，支持下載文件夾，下載文件夾支持斷點續傳，

支持加密傳輸，包括加密上傳，加密下載，加密算法支持國密SM4，

支持云對象存儲，比如華為云，阿里云，騰訊云，七牛云，AWS，MinIO,FastDFS，

提供手機，QQ，微信，郵箱等聯系方式，提供7*24小時技術支持，提供長期技術支持和維護服務，提供遠程1對1技術指導，提供二次開發指導，提供文檔教程，提供視頻教程。

最新版本：6.5.40

在線代碼：https://gitee.com/xproer/up6-asp-net/tree/6.5.40/

NOSQL

NOSQL無需任何配置可直接訪問頁面進行測試

SQL

使用IIS

大文件上傳測試推薦使用IIS以獲取更高性能。

使用IIS Express

小文件上傳測試可以使用IIS Express

創建數據庫

配置數據庫連接信息

訪問頁面進行測試

相關參考：

文件保存位置，

源碼工程文檔：https://drive.weixin.qq.com/s?k=ACoAYgezAAw1dWofra

源碼報價單：https://drive.weixin.qq.com/s?k=ACoAYgezAAwoiul8gl

OEM版報價單：https://drive.weixin.qq.com/s?k=ACoAYgezAAwuzp4W0a

控件源碼下載：https://drive.weixin.qq.com/s?k=ACoAYgezAAwbdKCskc

在線咨詢

上一篇：秉承共享互動理念，1+1相冊讓你時刻鎖定生活的點滴
下一篇：http跳轉https方法：如何讓http自動跳轉https

您的項目需求

*請認真填寫需求信息，我們會在24小時內與您取得聯系。

整合營銷服務商