🔎大家好，我是Sonhhxg_柒，希望你看完之后，能对你有所帮助，不足请指正！共同学习交流🔎
📝个人主页－Sonhhxg_柒的博客_CSDN博客📃
🎁欢迎各位→点赞👍 + 收藏⭐️ + 留言📝
📣系列专栏 - 机器学习【ML】自然语言处理【NLP】 深度学习【DL】
🖍foreword
✔说明⇢本人讲解主要包括Python、机器学习（ML）、深度学习（DL）、自然语言处理（NLP）等内容。
如果你对这个系列感兴趣的话，可以关注订阅哟👋
文章目录
数据
数据集
模块和参数
简单的CNN
Loss
Learner
Callbacks（回调）
安排学习率
结论
最后一章（结论和在线章节除外）看起来会有些不同。与前几章相比，它包含更多的代码和更少的散文。我们将在不讨论的情况下介绍新的 Python 关键字和库。本章旨在为您开启一个重要的研究项目。你看，我们将从头开始实现 fastai 和 PyTorch API 的许多关键部分，除了我们在第 17 章中开发的组件之外别无他物！这里的关键目标是结束你自己的Learner类和一些回调——足以在 Imagenette 上训练模型，包括我们研究过的每个关键技术的例子。在构建的过程中Learner，我们将创建我们自己的版本Module，Parameter和平行的DataLoader，所以你会很好地了解这些 PyTorch 类的作用。
章末问卷对于本章尤为重要。在这里，我们将以本章为起点，为您指明许多您可以采取的有趣方向。我们建议您在计算机上按照本章进行操作，并进行大量实验、网络搜索以及您需要了解的任何其他内容。您已经在本书的其余部分中积累了执行此操作的技能和专业知识，因此我们认为您会做得很好！
让我们从（手动）收集一些数据开始。
数据
查看源代码以untar_data了解其工作原理。我们将在此处使用它来访问本章中使用的 160 像素版本的 Imagenette：
path = untar_data(URLs.IMAGENETTE_160)
要访问图像文件，我们可以使用get_image_files：
t = get_image_files(path) t[0]
Path('/home/jhoward/.fastai/data/imagenette2-160/val/n03417042/n03417042_3752.JP> EG')
或者我们可以只使用 Python 的标准库来做同样的事情glob：
from glob import globfiles = L(glob(f'{path}/**/*.JPEG', recursive=True)).map(Path)files[0]
Path('/home/jhoward/.fastai/data/imagenette2-160/val/n03417042/n03417042_3752.JP> EG')
如果您查看 的源代码get_image_files，您会发现它使用 Python 的os.walk;这是一个比 更快更灵活的功能glob，所以一定要试试看。
我们可以使用 Python 图像库的Image类打开图像：
im = Image.open(files[0])im
im_t = tensor(im)im_t.shape
torch.Size([160, 213, 3])
这将是我们自变量的基础。对于我们的因变量，我们可以使用Path.parentfrompathlib。首先我们需要我们的词汇
lbls = files.map(Self.parent.name()).unique(); lbls
(#10) ['n03417042','n03445777','n03888257','n03394916','n02979186','n03000684','> n03425413','n01440764','n03028079','n02102040']
和反向映射，感谢L.val2idx：
v2i = lbls.val2idx(); v2i
{'n03417042': 0,'n03445777'：1，'n03888257'：2，'n03394916'：3，'n02979186'：4，'n03000684'：5，'n03425413'：6，'n01440764'：7，'n03028079'：8，'n02102040': 9}
这就是我们将Dataset.
数据集
PyTorch 中的 ADataset可以是任何支持索引的东西(__getitem__) 和len:
class Dataset:def __init__(self, fns): self.fns=fnsdef __len__(self): return len(self.fns)def __getitem__(self, i):im = Image.open(self.fns[i]).resize((64,64)).convert('RGB')y = v2i[self.fns[i].parent.name]return tensor(im).float()/255, tensor(y)
我们需要一个训练和验证文件名列表来传递给Dataset.__init__：
train_filt = L(o.parent.parent.name=='train' for o in files)train,valid = files[train_filt],files[~train_filt]len(train),len(valid)
(9469, 3925)
现在我们可以尝试一下：
train_ds,valid_ds = Dataset(train),Dataset(valid)x,y = train_ds[0]x.shape,y
(torch.Size([64, 64, 3]), tensor(0))
show_image(x, title=lbls[y]);
如您所见，我们的数据集将自变量和因变量作为元组返回，这正是我们所需要的。我们需要能够将这些整理成一个小批量。通常，这是通过 完成的torch.stack，我们将在此处使用：
def collate(idxs, ds):xb,yb = zip(*[ds[i] for i in idxs])return torch.stack(xb),torch.stack(yb)
这是一个包含两个项目的小批量，用于测试我们的collate：
x,y = collate([1,2], train_ds)x.shape,y
(torch.Size([2, 64, 64, 3]), tensor([0, 0]))
现在我们有了一个数据集和一个整理函数，我们是准备创建DataLoader。我们将在此处添加另外两件事：shuffle训练集的可选内容，以及ProcessPoolExecutor并行进行预处理的内容。并行数据加载器非常重要，因为打开和解码 JPEG 图像是一个缓慢的过程。一个 CPU 核心不足以足够快地解码图像以保持现代 GPU 忙碌。这是我们的DataLoader课程：
class DataLoader:def __init__(self, ds, bs=128, shuffle=False, n_workers=1):self.ds,self.bs,self.shuffle,self.n_workers = ds,bs,shuffle,n_workersdef __len__(self): return (len(self.ds)-1)//self.bs+1def __iter__(self):idxs = L.range(self.ds)if self.shuffle: idxs = idxs.shuffle()chunks = [idxs[n:n+self.bs] for n in range(0, len(self.ds), self.bs)]with ProcessPoolExecutor(self.n_workers) as ex:yield from ex.map(collate, chunks, ds=self.ds)
让我们用我们的训练和验证数据集试试看：
n_workers = min(16, defaults.cpus)train_dl = DataLoader(train_ds, bs=128, shuffle=True, n_workers=n_workers)valid_dl = DataLoader(valid_ds, bs=256, shuffle=False, n_workers=n_workers)xb,yb = first(train_dl)xb.shape,yb.shape,len(train_dl)
(torch.Size([128, 64, 64, 3]), torch.Size([128]), 74)
这个数据加载器并不比 PyTorch 的慢很多，但它要简单得多。因此，如果您正在调试复杂的数据加载过程，请不要害怕尝试手动执行操作以帮助您准确了解正在发生的事情。
对于规范化，我们需要图像统计信息。通常，在单个训练小批量上计算这些很好，因为这里不需要精度：
stats = [xb.mean((0,1,2)),xb.std((0,1,2))]stats
[tensor([0.4544, 0.4453, 0.4141]), tensor([0.2812, 0.2766, 0.2981])]
我们的Normalize班级只需要存储这些统计数据并应用它们（看看为什么to_device需要它，试着把它注释掉，然后看看这个笔记本后面会发生什么）：
class Normalize:def __init__(self, stats): self.stats=statsdef __call__(self, x):if x.device != self.stats[0].device:self.stats = to_device(self.stats, x.device)return (x-self.stats[0])/self.stats[1]
我们总是喜欢测试我们在笔记本中构建的所有内容，一旦我们构建它：
norm = Normalize(stats)def tfm_x(x): return norm(x).permute((0,3,1,2))
t = tfm_x(x)t.mean((0,2,3)),t.std((0,2,3))
(tensor([0.3732, 0.4907, 0.5633]), tensor([1.0212, 1.0311, 1.0131]))
这里tfm_x不仅应用了Normalize，而且还置换了轴顺序从NHWC到NCHW（如果您需要提醒这些首字母缩写词指的是什么，请参阅第 13 章）。PIL 使用HWC轴顺序，我们不能将其与 PyTorch 一起使用，因此需要 thispermute。
这就是我们模型所需的全部数据。所以现在我们需要模型本身！
模块和参数
要创建模型，我们需要Module.要创建Module，我们需要Parameter，所以让我们从这里开始。回想一下，在第 8 章中我们说过Parameter该类“不添加任何功能（除了自动调用requires_grad_我们）”。它仅用作“标记”以显示要包含在中的内容parameters。”下面是一个定义，正是这样做的：
class Parameter(Tensor):def __new__(self, x): return Tensor._make_subclass(Parameter, x, True)def __init__(self, *args, **kwargs): self.requires_grad_()
这里的实现有点笨拙：我们必须定义特殊的__new__Python 方法并使用内部 PyTorch 方法_make_subclass，因为在撰写本文时，PyTorch 不能以其他方式正确处理这种子类化或提供官方支持的 API 来做这个。这可能在您阅读本文时已经修复，因此请访问本书的网站以查看是否有更新的详细信息。
正如我们想要的那样，我们Parameter现在的行为就像一个张量：
Parameter(tensor(3.))
tensor(3., requires_grad=True)
现在我们有了这个，我们可以定义Module：
class Module:def __init__(self):self.hook,self.params,self.children,self._training = None,[],[],Falsedef register_parameters(self, *ps): self.params += psdef register_modules (self, *ms): self.children += ms@propertydef training(self): return self._training@training.setterdef training(self,v):self._training = vfor m in self.children: m.training=vdef parameters(self):return self.params + sum([m.parameters() for m in self.children], [])def __setattr__(self,k,v):super().__setattr__(k,v)if isinstance(v,Parameter): self.register_parameters(v)if isinstance(v,Module): self.register_modules(v)def __call__(self, *args, **kwargs):res = self.forward(*args, **kwargs)if self.hook is not None: self.hook(res, args)return resdef cuda(self):for p in self.parameters(): p.data = p.data.cuda()
关键功能在以下定义中parameters：
self.params + sum([m.parameters() for m in self.children], [])
这意味着我们可以向 any 询问Module它的参数，它会返回它们，包括它的所有子模块（递归）。但是它怎么知道它的参数是什么？这要归功于实现 Python 的特殊__setattr__方法，只要 Python 在类上设置属性，我们就会调用该方法。我们的实施包括这一行：
if isinstance(v,Parameter): self.register_parameters(v)
如您所见，这是我们使用新Parameter类作为“标记”的地方——该类的任何内容都添加到我们的params.
Python__call__允许我们定义当我们的对象被视为函数时会发生什么；我们只是调用forward（这里不存在，因此需要由子类添加）。之后，如果已定义，我们将调用一个钩子。现在您可以看到 PyTorch 挂钩根本没有做任何花哨的事情——它们只是调用任何已注册的挂钩。
除了这些功能之外，我们Module还提供cuda和training属性，我们将很快使用它们。
现在我们可以创建我们的第一个Module，它是ConvLayer：
class ConvLayer(Module):def __init__(self, ni, nf, stride=1, bias=True, act=True):super().__init__()self.w = Parameter(torch.zeros(nf,ni,3,3))self.b = Parameter(torch.zeros(nf)) if bias else Noneself.act,self.stride = act,strideinit = nn.init.kaiming_normal_ if act else nn.init.xavier_normal_init(self.w)def forward(self, x):x = F.conv2d(x, self.w, self.b, stride=self.stride, padding=1)if self.act: x = F.relu(x)return x
我们不是F.conv2d从头开始实施，因为您应该已经在第 17 章unfold的调查问卷中完成（使用）。相反，我们只是创建一个小类，将其与偏差和权重初始化一起包装起来。让我们检查它是否可以正常工作Module.parameters：
l = ConvLayer(3, 4)len(l.parameters())
2
我们可以调用它（这将导致forward被调用）：
xbt = tfm_x(xb)r = l(xbt)r.shape
torch.Size([128, 4, 64, 64])
同样的，我们可以实现Linear：
class Linear(Module):def __init__(self, ni, nf):super().__init__()self.w = Parameter(torch.zeros(nf,ni))self.b = Parameter(torch.zeros(nf))nn.init.xavier_normal_(self.w)def forward(self, x): return x@self.w.t() + self.b
并测试它是否有效：
l = Linear(4,2)r = l(torch.ones(3,4))r.shape
torch.Size([3, 2])
我们还创建一个测试模块来检查我们是否包含多个参数作为属性，它们是否都已正确注册：
class T(Module):def __init__(self):super().__init__()self.c,self.l = ConvLayer(3,4),Linear(4,2)
由于我们有一个转换层和一个线性层，每个层都有权重和偏差，所以我们总共需要四个参数：t=
t = T()len(t.parameters())
4
我们还应该发现调用cuda此类会将所有这些参数放在 GPU 上：
t.cuda()t.l.w.device
device(type='cuda', index=5)
我们现在可以使用这些片段来创建 CNN。
简单的CNN
正如我们所见，一个Sequential类使许多架构更容易实现，所以让我们做一个：
class Sequential(Module):def __init__(self, *layers):super().__init__()self.layers = layersself.register_modules(*layers)def forward(self, x):for l in self.layers: x = l(x)return x
这里的forward方法只是依次调用每一层。请注意，我们必须使用register_modules我们在 中定义的方法Module，否则 的内容layers将不会出现在 中parameters。
请记住，我们在这里没有为模块使用任何 PyTorch 功能；我们自己定义一切。因此，如果您不确定是做什么
register_modules的，或者为什么需要它，请再看看我们的代码，Module看看我们写了什么！
我们可以创建一个简化AdaptivePool的，只处理池化到 1×1 的输出，并将其展平，只需使用mean：
class AdaptivePool(Module):def forward(self, x): return x.mean((2,3))
这足以让我们创建一个 CNN！
def simple_cnn():return Sequential(ConvLayer(3 ,16 ,stride=2), #32ConvLayer(16,32 ,stride=2), #16ConvLayer(32,64 ,stride=2), # 8ConvLayer(64,128,stride=2), # 4AdaptivePool(),Linear(128, 10))
让我们看看我们的参数是否都被正确注册：
m = simple_cnn()len(m.parameters())
10
现在我们可以尝试添加一个钩子。请注意，我们只为一个钩子留了空间Module；你可以把它做成一个列表，或者使用类似的东西Pipeline将几个作为一个函数运行：
def print_stats(outp, inp): print (outp.mean().item(),outp.std().item())for i in range(4): m.layers[i].hook = print_statsr = m(xbt)r.shape
0.5239089727401733 0.87760430574417110.43470510840415955 0.83479875326156620.4357188045978546 0.76216661930084230.46562111377716064 0.7416611313819885torch.Size([128, 10])
我们有数据和模型。现在我们需要一个损失函数。
Loss
我们已经看到如何定义“负对数似然”：
def nll(input, target): return -input[range(target.shape[0]), target].mean()
实际上，这里没有日志，因为我们使用的是与 PyTorch 相同的定义。这意味着我们需要将日志与 softmax 放在一起：
def log_softmax(x): return (x.exp()/(x.exp().sum(-1,keepdim=True))).log()sm = log_softmax(r); sm[0][0]
tensor(-1.2790, grad_fn=<SelectBackward>)
结合这些给我们我们的交叉熵损失：
loss = nll(sm, yb)loss
tensor(2.5666, grad_fn=<NegBackward>)
注意公式
当我们计算 log softmax 时，给出了一个简化，它之前被定义为(x.exp()/(x.exp().sum(-1))).log()：
def log_softmax(x): return x - x.exp().sum(-1,keepdim=True).log()sm = log_softmax(r); sm[0][0]
tensor(-1.2790, grad_fn=<SelectBackward>)
然后，有一种更稳定的方法来计算指数和的对数，称为LogSumExp技巧。这个想法是使用以下公式
其中a是最大值Xj.
这是代码中的相同内容：
x = torch.rand(5)a = x.max()x.exp().sum().log() == a + (x-a).exp().sum().log()
tensor(True)
我们将把它放入一个函数中
def logsumexp(x):m = x.max(-1)[0]return m + (x-m[:,None]).exp().sum(-1).log()logsumexp(r)[0]
tensor(3.9784, grad_fn=<SelectBackward>)
所以我们可以将它用于我们的log_softmax功能：
def log_softmax(x): return x - x.logsumexp(-1,keepdim=True)
这给出了与以前相同的结果：
sm = log_softmax(r); sm[0][0]
tensor(-1.2790, grad_fn=<SelectBackward>)
我们可以使用这些来创建cross_entropy：
def cross_entropy(preds, yb): return nll(log_softmax(preds), yb).mean()
现在让我们将所有这些部分组合起来创建一个Learner.
Learner
我们有数据、模型和损失函数；在拟合模型之前，我们只需要再做一件事，那就是优化器！这是新加坡元：
class SGD:def __init__(self, params, lr, wd=0.): store_attr(self, 'params,lr,wd')def step(self):for p in self.params:p.data -= (p.grad.data + p.data*self.wd) * self.lrp.grad.data.zero_()
正如我们在本书中所见，有了Learner.Learner需要知道我们的训练和验证集，这意味着我们需要存储DataLoaders它们。我们不需要任何其他功能，只需要一个存储和访问它们的地方：
class DataLoaders:def __init__(self, *dls): self.train,self.valid = dlsdls = DataLoaders(train_dl,valid_dl)
现在我们准备创建我们的Learner类：
class Learner:def __init__(self, model, dls, loss_func, lr, cbs, opt_func=SGD):store_attr(self, 'model,dls,loss_func,lr,cbs,opt_func')for cb in cbs: cb.learner = self
def one_batch(self):self('before_batch')xb,yb = self.batchself.preds = self.model(xb)self.loss = self.loss_func(self.preds, yb)if self.model.training:self.loss.backward()self.opt.step()self('after_batch')def one_epoch(self, train):self.model.training = trainself('before_epoch')dl = self.dls.train if train else self.dls.validfor self.num,self.batch in enumerate(progress_bar(dl, leave=False)):self.one_batch()self('after_epoch')def fit(self, n_epochs):self('before_fit')self.opt = self.opt_func(self.model.parameters(), self.lr)self.n_epochs = n_epochstry:for self.epoch in range(n_epochs):self.one_epoch(True)self.one_epoch(False)except CancelFitException: passself('after_fit')def __call__(self,name):for cb in self.cbs: getattr(cb,name,noop)()
这是我们在本书中创建的最大的类，但每个方法都非常小，因此通过依次查看每个方法，您应该能够了解发生了什么。
我们将调用的主要方法是fit.这循环与
for self.epoch in range(n_epochs)
并且在每个时代要求self.one_epoch每个train=True然后train=False。然后在dls.train或者dls.valid中self.one_epoch调用self.one_batch每个批次（在包装DataLoader在progress.progress_bar之后）。最后，self.one_batch按照我们在本书中看到的一组常用步骤来拟合一个小批量。
在每个步骤之前和之后，Learner调用self，调用__call__（这是标准的 Python 功能）。在self.cbs中的每个回调上__call__使用getattr(cb,name)，这是一个 Python 内置函数，它返回具有请求名称的属性（在本例中为方法）。因此，例如，self('before_fit')将调用cb.before_fit()定义该方法的每个回调。
如您所见，Learner实际上只是在使用我们的标准训练循环，只是它还在适当的时间调用回调。所以让我们定义一些回调！
Callbacks（回调）
在Learner.__init__我们有
for cb in cbs: cb.learner = self
换句话说，每个回调都知道它在哪个学习者中使用。这很关键，否则回调无法从学习者那里获取信息，或改变学习者的内容。因为从学习者那里获取信息是如此普遍，我们通过定义Callback为 的子类来简化这一过程GetAttr，默认属性为learner：
class Callback(GetAttr): _default='learner'
GetAttr__getattr__是一个为您实现 Python 标准和方法的 fastai 类__dir__，因此无论何时您尝试访问不存在的属性，它都会将请求传递给您定义为_default.
例如，我们希望在 的开始自动将所有模型参数移动到 GPUfit。我们可以通过定义before_fit为来做到这一点self.learner.model.cuda；但是，因为learner是默认属性，而且我们SetupLearnerCB继承自Callback（继承自GetAttr），我们可以删除.learner并调用self.model.cuda：
class SetupLearnerCB(Callback):def before_batch(self):xb,yb = to_device(self.batch)self.learner.batch = tfm_x(xb),ybdef before_fit(self): self.model.cuda()
在SetupLearnerCB中，我们还通过调用to_device(self.batch)（我们也可以使用更长 的 ）将每个小批量移动到 GPUto_device(self.learner.batch)。但是请注意，在行self.learner.batch = tfm_x(xb),yb中，我们不能删除.learner，因为这里我们设置属性，而不是它。
在我们尝试之前Learner，让我们创建一个回调来跟踪和打印进度。否则，我们不会真正知道它是否正常工作：
class TrackResults(Callback):def before_epoch(self): self.accs,self.losses,self.ns = [],[],[]def after_epoch(self):n = sum(self.ns)print(self.epoch, self.model.training,sum(self.losses).item()/n, sum(self.accs).item()/n)def after_batch(self):xb,yb = self.batchacc = (self.preds.argmax(dim=1)==yb).float().sum()self.accs.append(acc)n = len(xb)self.losses.append(self.loss*n)self.ns.append(n)
现在我们准备好Learner第一次使用我们的了！
cbs = [SetupLearnerCB(),TrackResults()]learn = Learner(simple_cnn(), dls, cross_entropy, lr=0.1, cbs=cbs)learn.fit(1)
0 True 2.1275552130636814 0.23149223782870420 False 1.9942575636942674 0.2991082802547771
意识到我们可以Learner用这么少的代码实现 fastai 的所有关键思想，真是太神奇了！现在让我们添加一些学习率调度。
安排学习率
如果我们要获得好的结果，我们将需要 LR finder 和 1cycle 训练。这些都是退火回调——也就是说，它们随着我们逐渐改变超参数火车。这是LRFinder：
class LRFinder(Callback):def before_fit(self):self.losses,self.lrs = [],[]self.learner.lr = 1e-6def before_batch(self):if not self.model.training: returnself.opt.lr *= 1.2def after_batch(self):if not self.model.training: returnif self.opt.lr>10 or torch.isnan(self.loss): raise CancelFitExceptionself.losses.append(self.loss.item())self.lrs.append(self.opt.lr)
这显示了我们如何使用CancelFitException，它本身是一个空类，仅用于表示异常类型。你可以看到Learner这个异常被捕获了。（您应该自己添加和测试CancelBatchException、CancelEpochException等。）让我们尝试一下，将其添加到我们的回调列表中：
lrfind = LRFinder()learn = Learner(simple_cnn(), dls, cross_entropy, lr=0.1, cbs=cbs+[lrfind])learn.fit(2)
0 True 2.6336045582954903 0.110148906959552220 False 2.230653363853503 0.18318471337579617
看看结果：
plt.plot(lrfind.lrs[:-2],lrfind.losses[:-2])plt.xscale('log')
现在我们可以定义我们的OneCycle训练回调：
class OneCycle(Callback):def __init__(self, base_lr): self.base_lr = base_lrdef before_fit(self): self.lrs = []def before_batch(self):if not self.model.training: returnn = len(self.dls.train)bn = self.epoch*n + self.nummn = self.n_epochs*npct = bn/mnpct_start,div_start = 0.25,10if pct<pct_start:pct /= pct_startlr = (1-pct)*self.base_lr/div_start + pct*self.base_lrelse:pct = (pct-pct_start)/(1-pct_start)lr = (1-pct)*self.base_lrself.opt.lr = lrself.lrs.append(lr)
我们将尝试 0.1 的 LR：
onecyc = OneCycle(0.1)learn = Learner(simple_cnn(), dls, cross_entropy, lr=0.1, cbs=cbs+[onecyc])
让我们适应一下，看看它看起来如何（我们不会在书中展示所有输出——在笔记本中尝试一下以查看结果）：
learn.fit(8)
最后，我们将检查学习率是否遵循我们定义的时间表（如您所见，我们在这里没有使用余弦退火）：
plt.plot(onecyc.lrs);
结论
在本章中，我们通过重新实现 fastai 库的关键概念来探索它们是如何实现的。由于它大部分都是代码，你绝对应该通过查看本书网站上的相应笔记本来尝试对它进行试验。现在您知道它是如何构建的，下一步一定要查看 fastai 文档中的中级和高级教程，以了解如何自定义库的每一部分。
