『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。
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。
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。
|
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。
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。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
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。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 |
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。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
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。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
"""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。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
""" 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) |
訓練部分とコードは非常に似ており、訓練コードを理解できれば、テスト部分も容易に理解することができるでしょう。テスト部分では、精度を測定するために、pred = output.argmax(dim=1, keepdim=True)部分でニューロンインデックスを取得しています。
ここではPyTorchについての基礎知識とインストール方法、実装方法について解説しました。PyTourchは非常に書きやすい機械学習ライブラリで、初心者でも習得することは難しくありません。
この機会に、ぜひPyTorchを学んでみてください。
RANKING
RECOMMENDED COURSE
最新情報・キャンペーン情報発信中