點擊下方“AI算法與圖像處理”，一起進步！
重磅干貨，第一時間送達

在使用Pytorch時你或多或少會遇到各種bug，為了緩解你的痛苦??，本文將對常見的錯誤進行解釋，并說清楚來龍去脈。

細節(jié)就是魔鬼，雖然代碼不報錯但還是可能會對精度帶來影響。如果本文對你有幫助，請收藏&轉(zhuǎn)發(fā)！

CrossEntropyLoss和NLLLoss

最常見的錯誤是損失函數(shù)和輸出激活函數(shù)之間的不匹配。nn.CrossEntropyLossPyTorch中的損失模塊執(zhí)行兩個操作：nn.LogSoftmax和nn.NLLLoss。

因此nn.CrossEntropyLossPyTorch的輸入應該是最后一個線性層的輸出。不要在nn.CrossEntropyLossPyTorch之前應用Softmax。 否則將對Softmax輸出計算log-softmax，將會降低模型精度。

如果使用nn.NLLLoss模塊，則需要自己應用log-softmax。nn.NLLLoss需要對數(shù)概率，而不是普通概率。因此確保應用nn.LogSoftmaxor nn.functional.log_softmax，而不是nn.Softmax。

Softmax的計算維度

注意Softmax的計算維度。通常是輸出張量的最后一個維度，例如nn.Softmax(dim=-1)。如果混淆了維度，模型最終會得到隨機預測。

類別數(shù)據(jù)與嵌入操作

對于類別數(shù)據(jù)，常見的做法是進行數(shù)值編碼。但對于深度學習而言，這并不是一個很好的操作，數(shù)值會帶來大小關(guān)系，且會丟失很多信息。

因此對于類別數(shù)據(jù)建議使用one-hot或Embedding操作，對于nn.Embedding模塊，你需要設置的參數(shù)包括：

• num_embeddings：數(shù)據(jù)類別的數(shù)量
• embedding_dim：每個類別的嵌入維度
• padding_idx：填充符號的索引

嵌入特征向量從隨機初始化，不要用 Kaiming、Xavier初始化方法。因為標準差為1，初始化、激活函數(shù)等被設計為輸入標準差為 1。

nn.Embedding模塊的示例用法：

import torch
import torch.nn as nn
# Create 5 embedding vectors each with 32 features
embedding = nn.Embedding(num_embeddings=5,
                         embedding_dim=32)

# Example integer input
input_tensor = torch.LongTensor([[0, 4], [2, 3], [0, 1]])

# Get embeddings
embed_vectors = embedding(input_tensor)

print("Input shape:", input_tensor.shape)
print("Output shape:", embed_vectors.shape)
print("Example features:\n", embed_vectors[:,:,:2])

nn.LSTM 中 數(shù)據(jù)維度

默認情況下，PyTorch的nn.LSTM模塊假定輸入維度為[seq_len, batch_size, input_size]，所以確保不要混淆序列長度和批大小的次數(shù)。如果混淆LSTM仍然可以正常運行，但會給出錯誤的結(jié)果。

維度不匹配

如果Pytorch執(zhí)行矩陣乘法，并兩個矩陣出現(xiàn)維度不匹配，PyTorch會報錯并拋出錯誤。但是也存在PyTorch不會拋出錯誤的情況，此時未對齊的維度具有相同的大小。建議使用多個不同的批量大小測試您的代碼，以防止維度不對齊。

訓練和評估模式

在PyTorch中，神經(jīng)網(wǎng)絡有兩種模式：train和train。您可以使用model.eval()和model.train()對模型時進行切換。

不同的模式?jīng)Q定是否使用dropout，以及如何處理Batch Normalization。常見的錯誤是在eval后忘記將模型設置回train模式，確定模型在預測階段為eval模式。

參數(shù)繼承

PyTorch支持nn.Modules，一個模塊可以包含另一個模塊，另一個模塊又可以包含一個模塊，依此類推。

當調(diào)用.parameters()時，PyTorch會查找該模塊內(nèi)的所有模塊，并將它們的參數(shù)添加到最高級別模塊的參數(shù)中。

但是PyTorch不會檢測列表、字典或類似結(jié)構(gòu)中模塊的參數(shù)。如果有一個模塊列表，請確保將它們放入一個nn.ModuleList或nn.Sequential對象中。

參數(shù)初始化

正確初始化模型的參數(shù)非常重要。用標準正態(tài)分布初始化參數(shù)不是好的選擇，推薦的方法有Kaiming或Xavier。

zero_grad()

請記住在執(zhí)行loss.backward()之前調(diào)用optimizer.zero_grad()。如果在執(zhí)行反向傳播之前沒有重置所有參數(shù)的梯度，梯度將被添加到上一批的梯度中。

指標計算邏輯

在懷疑自己或模型之前，請經(jīng)常檢查您的指標計算邏輯計算兩次或更多次。像準確性這樣的指標很容易計算，但在代碼中添加錯誤也很容易。例如，檢查您是否對批次維度進行了平均，而不是意外對類維度或任何其他維度進行平均。

設備不匹配

如果使用GPU可能會看到一個錯誤，例如：

Runtime Error: Input type (torch.FloatTensor) dand weigh type (torch.cuda.FloatTensor) should be on the same device.

此錯誤表示輸入數(shù)據(jù)在CPU上，而權(quán)重在GPU上。確保所有數(shù)據(jù)都在同一設備上。這通常是GPU，因為它支持訓練和測試加速。

nn.Sequential和nn.ModuleList

如果模型有很多層，推薦將它們匯總為一個nn.Sequential或nn.ModuleList對象。在前向傳遞中，只需要調(diào)用sequential，或者遍歷模塊列表。

class MLP(nn.Module):

    def __init__(self, input_dims=64, hidden_dims=[128,256], output_dims=10):
        super().__init__()
        hidden_dims = [input_dims] + hidden_dims
        layers = []
        for idx in range(len(hidden_dims)-1):
            layers += [
                nn.Linear(hidden_dims[i], hidden_dims[i+1]),
                nn.ReLU(inplace=True)
            ]
        self.layers = nn.Sequential(*layers)

    def forward(self, x):
        return self.layers(x)

參數(shù)重復計算

在深度神經(jīng)網(wǎng)絡中，通常會有重復添加到模型中的塊。如果這些塊需要比更復雜的前向函數(shù)，建議在單獨的模塊中實現(xiàn)它們。

例如，一個 ResNet 由多個具有殘差連接的ResNet塊組成。ResNet模塊應用一個小型神經(jīng)網(wǎng)絡，并將輸出添加回輸入。最好在單獨的類中實現(xiàn)這種動態(tài)，以保持主模型類小而清晰。

輸入相同的維度

如果您有多個具有相同輸入的線性層或卷積，則可以將它們堆疊在一起以提高效率。假設我們有：

雖然可以通過兩個線性層來實現(xiàn)它，但您可以通過將兩層堆疊為一層來獲得完全相同的神經(jīng)網(wǎng)絡。單層效率更高，因為這代表單個矩陣運算，而不是GPU的兩個矩陣運算，因此我們可以并行化計算。

x = torch.randn(2, 10)

# Implementation of separate layers:
y1_layer = nn.Linear(10, 20)
y2_layer = nn.Linear(10, 30)
y1 = y1_layer(x)
y2 = y2_layer(x)

# Implementation of a stacked layer:
y_layer = nn.Linear(10, 50)
y = y_layer(x)
y1, y2 = y[:,:20], y[:,20:50]

使用帶logits的損失函數(shù)

分類損失函數(shù)（例如二元交叉熵）在PyTorch中有兩個版本：nn.BCELoss和nn.BCEWithLogitsLoss，建議和推薦的做法是使用后者。

這因為它在數(shù)值上更穩(wěn)定，并在您的模型預測非常錯誤時防止出現(xiàn)任何不穩(wěn)定性。如果您不使用logit損失函數(shù)，則當模型預測不正確的非常高或非常低的值時，您可能會遇到問題。