【入門編】PyTorchとは何か？インストールから実装までわかりやすく解説

『PyTorch』とは、Facebookが開発を主導したPython向けの機械学習ライブラリです。コードが書きやすく、使いやすいため、開発者から人気があります。

この記事では、PyTorchとは何か、また、インストールや実装方法を入門者に向けて詳しく解説します。

公開日：2020年8月27日

INDEX

PyTorchとは？入門者にもわかりやすく解説
いざPyTorch入門！インストール方法を解説
PyTorchの実装を例題で解説【サンプルコード付き】

PyTorchとは？入門者にもわかりやすく解説

PyTorchとは、Pythonのオープンソース機械学習ライブラリ(Deep Learningライブラリ)です。

PyTorchで「パイトーチ」と読み、2016年1月15日、Facebookの人工知能研究グループにより初期開発されました。初版が公開された2016年から徐々に注目を集め、現在ではPythonの機械学習ライブラリとして高い人気を誇ります。

なお、Pythonについて詳しく知りたい方は「Pythonとは？何に使えるの？Pythonの特徴や使い道を詳しく解説！」を参考にしてください。

PyTorch のメリットとは？

PyTorchには、下記のようなメリットがあります。

直感的にコードを書ける
参照リソースが豊富
define by run

それぞれのメリットを一つひとつご紹介していきます。

◎直感的にコードを書ける

PyTorch は、Pythonの機械学習プロセスで頻繁に使われるライブラリ「Numpy」と操作方法が非常に似ています。そのため、PythonエンジニアならPyTorchに短時間で慣れることができるでしょう。

なお、機械学習の計算を高速化させられる拡張モジュール「NumPy」について、詳しく知りたい方は「Pythonの拡張モジュール「NumPy」とは？インストール方法や基本的な使い方を紹介！」をご覧ください。

◎参照リソースが豊富

PyTorchではコミュニティが活発であるため、参照できる情報が豊富に存在します。そのため、操作方法や実装する上で必要な情報を入手しやすい環境です。

また、PyTorchは人工知能の研究者にも使用されているため、論文等がGitHubで公開されることも少なくありません。最新の手法を入手しやすく、最先端の機械学習プログラミングも可能です。

◎define by run

PyTorchはdefine by runとなっています。

define by runとは、動的なニューラルネットワーク構築であり、データを入力した際に定義する手法のことになります。「データを流しながら計算グラフを構築してくれるアルゴリズム」と表現すると理解しやすいかもしれません。

define by run方式は、動的フレームワークなので、直感的にRNN(再帰型ニューラルネットワーク)を書くことができる、デバックが容易といったメリットがあります。このメリットにより、PyTorchを利用するという方も多いです。

入門知識：PyTorchのテンソルとは？

PyTorchを利用する上で、テンソルの知識は必要不可欠です。

テンソルとは、PyTorchの基本となるデータ構造になります。テンソルは、正確にはtorch.Tensorと表示されるものです。

多次元配列を形成できるデータ構造で、拡張モジュールNumPyに置き換えて言うと、ndarray型に似ています。Tensor（テンソル）型とndarray型の違いは、GPUでの演算が可能な点です。

テンソルについてもっと詳しく知りたい方は「【TENSORFLOW入門】特徴や使い方をわかりやすく解説！」をご覧ください。

＼文字より動画で学びたいあなたへ／

Udemyで講座を探す＞

いざPyTorch入門！インストール方法を解説

次に、PyTorchのインストール方法を解説します。

PyTorch公式サイトにアクセス

まずは、PyTorchの公式サイトにアクセスします。

https://pytorch.org

インストール環境を確認する

次に、インストール環境を確認します。PyTorchの公式URLにアクセスすると、下記の画像のような部分があります。

一つひとつが選択できるようになっており、自分の環境に合ったインストール方法を知ることができます。以下で、選択項目について詳しく解説していきますので、参考にしてください。

PyTorch Build

PyTorch Buildは、どのようなバージョンをインストールするかを示します。特にこだわりがない場合は、安定版のStable1.6.0を選択してください。

Your OS

Your OSはインストール先のOSです。Linux、Mac、Windowsの3つの中から選択してください。

Package

Packageでは、何を使ってインストールするのかを選ぶことができます。Conda、Pip、LibTorch、Sourceの4つの中から選ぶことが可能です。Windowsにインストールする場合は、Condaが推奨されています。

Language

Languageでは、使用するプログラミング言語を選択できます。Pythonもしくは、C++/Javaの2種類から選ぶことが可能です。

CUDA

CUDAでは、CUDAのバージョンを選択することができます。

Run this Commandの内容を確認

項目をすべて選択したら、その下のRun this Commandの中でインストールコマンドが表示されます。

例えば、PackageをPipと選択して安定バージョンをインストールする場合、下記のようなコマンドが出力されます。

pip install torch torchvision

1	pip install torch torchvision

このコマンドを実行すれば、インストールが開始されます。

Udemyおすすめ講座

【Hands Onで学ぶ】PyTorchによる深層学習入門

★4.3（1,188 件の評価）

6,877 人の受験生

作成者: Tetsuya T(データサイエンス/機械学習・深層学習/ベイズ統計/科学技術計算)

人気急上昇中のAIフレームワークであるPyTorchを用いて深層学習の様々なモデルを構築し、機械学習・深層学習の基礎を固めましょう。機械学習・深層学習を"知識として知っている"人から、"使える・使いこなせる"人へとステップアップしませんか?

＼無料でプレビューをチェック！／

講座を見てみる

PyTorchの実装を例題で解説【サンプルコード付き】

最後に、PyTorchでネットワーク構築の実装を例題で解説します。サンプルコード付きになりますので、入門者の方も、ぜひ参考にしてください。

モデル、ネットワークの構築

まずは、使用するネットワークを定義します。PyTorchでは、tourch.nn.Moduleというクラスを継承し、自分オリジナルのネットワークを作成していくのが一般的です。今回は、クラス名をUdemyNetとし、作成していきます。

　
import torch
import torchvision
import torchvision.transforms as transforms
from torchvision import datasets

class UdemyNet(torch.nn.Module):
    def __init__(self):
        super(UdemyNet, self).__init__()
        self.net1 = torch.nn.Linear(28*28, 1000)
        self.net2 = torch.nn.Linear(1000, 10)
    def forward(self, x):
        x = self.net1(x)
        x = torch.sigmoid(x)
        x = self.net2(x)
        return f.log_softmax(x, dim=1)

import torch

import torchvision

import torchvision.transforms as transforms

from torchvision import datasets

class UdemyNet(torch.nn.Module):

def __init__(self):

super(UdemyNet, self).__init__()

self.net1 = torch.nn.Linear(28*28, 1000)

self.net2 = torch.nn.Linear(1000, 10)

def forward(self, x):

x = self.net1(x)

x = torch.sigmoid(x)

x = self.net2(x)

return f.log_softmax(x, dim=1)

UdemyNetという名前でクラスを宣言し、コンストラクターの中でネットワーク構成を定義しています。ネットワーク構成は入力層と中間層、出力層の3層構造です。これらは、torch.nn.Linearで定義されています。また、その後に順伝播の関数を定義して完成です。

データ取得

次にMINISTを取得する関数を作成していきます。

　
def reading_DATA(batch=128, intensity=1.0):
    train_readingData = torch.utils.data.DataLoader(
        datasets.MNIST('./data',
            train=True,
            download=True,
            transform=transforms.Compose([
                transforms.ToTensor(),
                transforms.Lambda(lambda x: x * intensity)
            ])
        ),
        batch_size=batch,
        shuffle=True
    )
    test_readingData = torch.utils.data.DataLoader(
        datasets.MNIST('./data',
            train=False,
            transform=transforms.Compose([
                transforms.ToTensor(),
                transforms.Lambda(lambda x: x * intensity)
            ])
        ),
        batch_size=batch,
        shuffle=True
    )
    return {'train': train_readingData, 'test': test_readingData}

def reading_DATA(batch=128, intensity=1.0):

train_readingData = torch.utils.data.DataLoader(

datasets.MNIST('./data',

train=True,

download=True,

transform=transforms.Compose([

transforms.ToTensor(),

transforms.Lambda(lambda x: x * intensity)

])

batch_size=batch,

shuffle=True

)

test_readingData = torch.utils.data.DataLoader(

datasets.MNIST('./data',

train=False,

transform=transforms.Compose([

transforms.ToTensor(),

transforms.Lambda(lambda x: x * intensity)

])

batch_size=batch,

shuffle=True

)

return {'train': train_readingData, 'test': test_readingData}

PyTorchでは、データローダーでデータを扱います。torch.utils.data.DataLoader()の第一引数には、データセット、第二引数にバッチサイズ、第三引数にシャッフルを指定。第三引数のシャッフルをTrueにするとTensorDatasetの中身がシャッフルされます。

torch.utils.data.DataLoader()の第一引数には、クラスインスタンスであるdatasets.MNISTが指定されています。datasets.MNISTの第一引数は、データダウンロード先を指定してください。

メイン部分を記述

次に、メイン処理部分を書いていきます。先程作成したUdemyNetを構築し、reading_DATAでデータを取得しましょう。メイン部分のコードはシンプルです。下記のコードを参考にしてください。

　
if __name__ == '__main__':
    #学習回数の定義です。
    epoch = 20
    # 学習結果の保存用
    history = {
        'train_loss': [],
        'test_loss': [],
        'test_acc': [],
    }
    # 先程定義したネットワークを構築
    net: torch.nn.Module = UdemyNet()
    # MNISTのデータローダーを取得
    loaders = reading_DATA()

if __name__ == '__main__':

#学習回数の定義です。

epoch = 20

# 学習結果の保存用

history = {

'train_loss': [],

'test_loss': [],

'test_acc': [],

}

# 先程定義したネットワークを構築

net: torch.nn.Module = UdemyNet()

# MNISTのデータローダーを取得

loaders = reading_DATA()

学習部分を作成

次に、学習部分の実装を行います。学習部分はforループを使用し、学習部分に訓練部分のループと検証用のループを作成していきましょう。訓練部分のサンプルコードは下記の通りです。

　
    """訓練部分の実装"""
    loss = None  # ここから学習開始です。
    net.train(True) # 引数の省略は可能。今回はTrueを指定
    for i, (data, target) in enumerate(loaders['train']):
        data = data.view(-1, 28*28)
        optimizer.zero_grad()
        output = net(data)
        loss = f.nll_loss(output, target)
        loss.backward()
        optimizer.step()
        if i % 10 == 0:
            print('Training log: {} epoch ({} / 60000 train. data). Loss: {}'.format(e+1, (i+1)*128, loss.item()))
        history['train_loss'].append(loss)

"""訓練部分の実装"""

loss = None # ここから学習開始です。

net.train(True) # 引数の省略は可能。今回はTrueを指定

for i, (data, target) in enumerate(loaders['train']):

data = data.view(-1, 28*28)

optimizer.zero_grad()

output = net(data)

loss = f.nll_loss(output, target)

loss.backward()

optimizer.step()

if i % 10 == 0:

print('Training log: {} epoch ({} / 60000 train. data). Loss: {}'.format(e+1, (i+1)*128, loss.item()))

history['train_loss'].append(loss)

forループで訓練部分を定義しています。output=net(data)とコードを書けば、ネットワークのデータと入力と出力ができるので、とても便利です。loss = f.nll_loss(output, target)でロス計算を定義し、ロスをもとに誤差をloss.backward()しています。

検証部分を作成

最後に、検証部分を作成します。サンプルコードは下記の通りです。

　
        """ テスト部分 """
        # 学習のストップ
        net.eval()  
        test_loss = 0
        correct = 0
        with torch.no_grad():
            for data, target in loaders['test']:
                data = data.view(-1, 28 * 28)
                output = net(data)
                test_loss += f.nll_loss(output, target, reduction='sum').item()
                pred = output.argmax(dim=1, keepdim=True)
                correct += pred.eq(target.view_as(pred)).sum().item()
        test_loss /= 10000
        print('Test loss (avg): {}, Accuracy: {}'.format(test_loss,
                                                         correct / 10000))
        history['test_loss'].append(test_loss)
        history['test_acc'].append(correct / 10000)