Tp0️⃣—零零散散小功能（持续更新）

• 剪切列
• 替换字符
• 取消复制剪切状态
• 浮点数向上取值
• 区域添加边框
• 区域设置颜色
• 调整列宽、行高
• 待更新

'  小功能集合
Sub Demos()

	'	剪切一列到指定列
	With ThisWorkbook.Sheets(2)    
		.[AI:AI].Cut    
		.[AE:AE].Select    
		Selection.Insert Shift:=xlToRight
	End With

	'	替换字符，将（空白）替换为空
	With worksheet.[C:C]
		.Replace "(空白)", ""
	End With
	
	'	取消复制剪贴状态
	Application.CutCopyMode = False
	   
	'	将带有小数的数据向上取整
	NewData = Application.WorksheetFunction.RoundUp(Datas, 0)

	' 	单元格区域添加边框
	.Range("A4:N" & .Range("A9999").End(xlUp).Row).Borders.LineStyle = xlContinuous

	'  -------------单元格标色-------------
	'  指定区域标色
	With Range("C2:G9")
    	.Interior.ColorIndex = 0	' 无填充颜色
     	.Interior.ColorIndex = 3	' 红色
     	.Interior.ColorIndex = 5	' 蓝色              
    End With
    
	' 实现自动调整行高、列宽
	Rows("1:5").EntireRow.AutoFit			' 调整1至5行行高
    Columns("A:AA").EntireColumn.AutoFit    ' 调整A至AA列列宽
    ' 设置行高、列宽为固定值
    Rows("1:5").RowHeight = 15				' 设置1至5行行高为15
    Columns("A:AA").ColumnWidth = 15		' 设置A至AA列列宽为15

End Sub

颜色索引-Range属性

Tp1️⃣—输出活动页面筛选后的行数

' 获取活动页面筛选后的行数
Sub RowCntAfterFilter()

    Dim rngCell As Range
    Dim lngRowCnt As Long
    For Each rngCell In [a1].CurrentRegion.SpecialCells(xlCellTypeVisible).Areas
        lngRowCnt = lngRowCnt + rngCell.Rows.Count
    Next rngCell
	rows_count =  lngRowCnt - 1   '可视区行数
    MsgBox "筛选后数据行数为：" & rows_count 
    Set rngCell = Nothing
    
End Sub

Tp2️⃣—创建数组存放数据

通过数组可以快速对数据进行处理
前提：表格数据须规范，不考虑合并单元格
一维数组：数字(1,2,3,4)，字符串(a,b,c,d)
二维数组：((1,1),(1,2),(1,3),(2,1),(2,2),(2,3)) 表格结构、行列转置、计算、遍历、统计…
多维数组：不是很熟悉，不敢乱说（￣□￣｜｜）
简单介绍静态数组、动态数组的使用

Tp2-1 静态数组

Sub SetArray()
	’   静态数组可直接通过 变量名=数组（）的方式设置
	array_number = Array(1,2,3,4,5)
	array_string = Array("张三","李四","王五","Sugar","Smile")
	
	'  可遍历，参数：count，Index 取值：data = array_data(1)
	'  赋值
	.[A1:A5] = array_number 
	.[B1:B5] = array_string

	'存放单元格区域数据到数组（二维数组的快捷应用）
	Dim arr As Variant       '定义一个Variant类型的变量，名称为arr
   	arr = Range("A1:C3").Value '将A1:C3中保存的数据存储到数组arr里
   	Range("E1:G3").Value = arr '将数组ar写入E1:G3单元格区域

End Sub

Tp2-2 动态数组

Sub VimArray()

	'自定义动态数组长度n，上界为0
	Dim n As Integer
	n = 0

	Dim SupArr() As String	 ' 定义动态数组存放供应商名称
	With ActiveSheet   
    	For i = 2 To .[A1048576].End(xlUp).Row
        	ReDim Preserve SupArr(n)		 '  给动态数组重定义一个实际的大小
        	n = n + 1
        	SupArr(n - 1) = .Cells(i, 3).Value  ' 存到动态数组里去
    	Next i
	End With

End Sub

Tp3️⃣ 创建字典存放数据

通过字典可以快速对数据进行处理
存放键值对关系，key具有唯一性，
参数：count，keys，values，Item
需要创建字典对象后使用

'与Excel单元格结合，创建字典存放数据
Sub RngDict()

	Dim DicManForm As Object
	Set DicManForm = CreateObject("Scripting.Dictionary")
	key_MaxRow = ActiveSheet.[A66666].End(xlUp).Row	'活动工作表A列的最后一行的行数
	
    '对A列进行遍历
    For key_Row = 2 To key_MaxRow
    	'取A列不重复的值作为字典的key，索引值唯一
    	KeyXX = ActiveSheet.Cells(key_Row, 1).Value
     	'导入条件：不为空，不重复
     	If KeyXX <> "" And DicManForm.Exists(KeyXX) = False Then
            DicManForm.Add KeyXX, key_Row
      	End If
    Next
    '通过key值，重设对应的value，key不存在时会报错
    DicManForm(key) = value
	Set DicManForm = Nothing

End Sub

Tp4️⃣ 优化代码运行速度

为了加快代码的执行速度，最简单的方式，将代码的执行过程设置为不显示，可以在代码执行时，临时关闭后续设置：自动重算、自动刷新、弹窗警告
温馨提示：以下代码需要成对出现，设置False后，末尾改回True

Sub AppSetting()

	’  程序开始
    With Application
        .ScreenUpdating = False		'  关闭屏幕刷新
        .EnableEvents = False		'  关闭事件触发
        .DisplayAlerts = False		'  关闭弹窗提示
    End With
    
    ' Your Code				'   调用程序运行的主体代码

	’程序末尾
    With Application
        .ScreenUpdating = True		'  恢复屏幕刷新
        .EnableEvents = True		'  恢复事件触发
        .DisplayAlerts = True		'  恢复弹窗提示
    End With
    
End Sub

好久不见、更新继续

Tp5️⃣ 轻松实现工作簿加密

Sub 解除全部工作表保护()
    Dim n As Integer
    For n = 1 To Sheets.Count
        Sheets(n).Unprotect
    Next n
End Sub

Sub 为指定工作表加指定密码保护表()
    Sheet10.Protect Password:="123"
End Sub

Sub 在有密码的工作表执行代码()
    Sheets("1").Unprotect Password:=123 '假定表名为“1”，密码为“123”  打开工作表
    Range("C:C").SpecialCells(xlCellTypeBlanks).EntireRow.Hidden = True   '隐藏C列空值行
    Sheets("1").Protect Password:=123    '重新用密码保护工作表
End Sub

Tp6️⃣ 通过对话框选择文件-1

' 设置选择文件的弹出窗口，自主选择文件
Sub FilePicker()
    
    Open_Path = ThisWorkbook.Sheets("操作界面").[B4]
    
    '新建一个对话框对象
    Set FileDialogObject = Application.FileDialog(msoFileDialogFilePicker)
    
    '配置对话框
    With FileDialogObject
        
        .Title = "请选择目标文件所在的文件夹："
        
        '添加判断，改变对话框默认打开的路径
        '默认打开上次的文件路径
        If Open_Path = "" Then
        .InitialFileName = "C:\"
        Else
        .InitialFileName = Open_Path
        End If
        
    End With
    
    '显示对话框
    FileDialogObject.Show
    '获取选择对话框选择的文件
    Set paths = FileDialogObject.SelectedItems
    
    With Sheets("操作界面")
        .[I:I].Clear
        file_ = paths.Item(1)       '包含绝对路径的文件名
        .[B4].Value = paths.Parent.InitialFileName      '当前文件所在目录
        .[B6].Value = Right(file_, Len(file_) - Len(paths.Parent.InitialFileName))  '获取文件
        
        '选择多个文件时，遍历所选文件，并写入I列
        If paths.Count > 1 Then
            i_Row = 2
            For Each Item In paths
                .Range("I" & i_Row) = Item
                i_Row = i_Row + 1
            Next
        End If
        
    End With
    
End Sub

Tp7️⃣ 通过对话框选择文件-2

'通过对话框选择文件路径
Sub FolderPicker()
    
    Open_Path = ThisWorkbook.Sheets("操作界面").[B4]
    
    '新建一个对话框对象
    Set FolderDialogObject = Application.FileDialog(msoFileDialogFolderPicker)
    
    '配置对话框
    '配置对话框
    With FolderDialogObject
        
        .Title = "请选择目标文件所在的文件夹："
        
        '添加判断，改变对话框默认打开的路径
        '默认打开上次的文件路径
        If Open_Path = "" Then
        .InitialFileName = "C:\"
        Else
        .InitialFileName = Open_Path
        End If
        
    End With
    
    FolderDialogObject.Show '显示对话框
    
    Set paths = FolderDialogObject.SelectedItems            '获取选择对话框选择的文件夹
    Set fso = CreateObject("Scripting.filesystemobject")    '取目标文件
    Set myf = fso.getfolder(paths.Item(1))                  '从指定路径下获取文件
    
    With Sheets("操作界面")
        .[I:I].Clear
        .[B4].Value = paths.Item(1)
        
        i_Row = 2
        For Each file In myf.Files
'            .Range("I" & i_Row) = file             '记录绝对路径+文件名
            .Range("I" & i_Row) = file.Name         '记录文件名
            i_Row = i_Row + 1
        Next
        
    End With
    
End Sub

Tp8️⃣ 从目录页自动跳转至明细页

**小提示：**权限分配表中的合并单元格，其中有一个小技巧，请参考另一篇针对筛选单元格的笔记
------------如何解决筛选时只显示第一行------------

Private Sub Worksheet_SelectionChange(ByVal Target As Range)

    Dim Rng, oRng As Range      ' 定义变量Rng、oRng为单元格
    
    Set Rng = Range("B2:B18")   ' 设定Rng为可操作区域单元格
    Set oRng = Selection        ' 设定oRng为选中单元格
    
    '如果所选单元格在可操作区域外，退出本次运行
    If Application.Intersect(oRng, Rng) Is Nothing Then Exit Sub

    Application.ScreenUpdating = False

    ' 多选则退出，单选设置筛选值
    If Selection.Count > 1 Then Exit Sub Else AimValue = Selection.Value
    
    ' 自动跳转至目标工作表进行筛选
    With Sheets("权限分配表")

        If .FilterMode = True Then .ShowAllData
        .Range("A1").AutoFilter Field:=1, Criteria1:=AimValue, _
         Operator:=xlAnd
        .Activate
    
    End With
    
    Application.ScreenUpdating = True
    
End Sub

Tp9️⃣ 选择区域自动设置或取消值

Private Sub Worksheet_SelectionChange(ByVal Target As Range)

    
    Application.ScreenUpdating = False
    Application.DisplayAlerts = False
    
    On Error Resume Next

    Dim Rng, oRngs, oRng As Range     ' 定义变量Rng、oRng为单元格
    Dim Aim As String                 ' 定义变量Aim为字符串

    Aim = "√"                  ' 设定目标值
    
    Set Rng = Range("D2:H706")  ' 设定Rng为可操作区域单元格
    Set oRngs = Selection       ' 设定oRngs为选中单元格
    


    '如果所选单元格在可操作区域外，退出本次运行
    If Intersect(oRngs, Rng) Is Nothing Then Exit Sub

        
'    Selection.FormulaR1C1 = Aim      '直接设置所选区域内的值为"√"

    ' 针对选择区域，有值清空，空值设定Aim
    For Each oRng In oRngs
    
        If oRng.FormulaR1C1 = "" Then oRng.FormulaR1C1 = Aim Else oRng.FormulaR1C1 = ""

    Next
    
    On Error GoTo 0

    Application.ScreenUpdating = True
    Application.DisplayAlerts = True

End Sub

  未完待续、、、
  期待下次相遇

1. Github

1.1 Github简介

由 Git （著名的 Git 版本控制软件） 和 Hub（ 「 中心 」 的意思） 两个词合成。
Github 全球最大的开源项目聚集地，到目前为止 Github 汇集了全球 7300+ 万开发者，4000+ 万组织机构，2+亿代码仓库。
Github地址：https://github.com/
什么是GitHub，为什么用GitHub：https://github.com/git-guides

1.2 Github版本区别

GitHub服务方案列表
GitHub的三类（8种）服务方案：
第一类是免费方案。免费用户账号可以创建任意数量的开放式项目（版本库），并且可以为开放式项目设置任意数量的协同者。

第二类是需要付费的个人账号方案。付费的个人账号允许托管私有版本库，即可以创建只有自己及指定的私有协同者才能够访问的版本库，而其他人不能访问。根据允许创建的私有版本库数量及私有版本库协同者数量，提供了三种收费标准（7美元/月、12美元/月 和 22美元/月）。

第三类是需要付费的组织账号方案。使用付费的组织账号，可以突破私有项目的协同者数量限制，并使用更易管理的团队（Team）对项目进行授权。关于如何通过团队配置授权参见“4.3. 组织和团队”。组织账号的付费标准较个人账号更高（有25美元/月、50美元/月、100美元/月 和 200美元/月），但同时也可以创建更多的私有版本库和拥有更大的托管空间。

收费详情：https://www.shouce.ren/api/view/a/9949

2. Gitlab

2.1 Gitlab简介

由 Git （著名的 Git 版本控制软件） 和 Lab（ laboratory 的缩写，是「 实验室 」 的意思） 两个词合成。

Gitlab比较适合企业使用，个人项目用 Gitlab 也很好。能够创建免费的私有仓库。目前很多企业都是使用内部搭建的Gitlab作为代码托管工具，常见的搭配方式：Gitlab + Docker + Jenkins 协同运作。

Gitlab网址：https://gitlab.com

2.2 Gitlab版本区别

Gitlab分三个版本，免费版，高级版，永久版。

收费详情：https://about.gitlab.com/pricing/

3. Gitee

3.1 Gitee简介

Gitee国内最大的开源社区 OSChina 的代码托管平台。截止到目前为止 Gitee汇集了全球 600+ 万开发者，1500万+代码仓库，18万+企业客户，3200+高校。提供团队协作开发。可创建 1000 个项目，不限私有或公有。
最重要的是国内，网速超快，极大的提高效率，Github真的很慢。
Gitee网址：https://gitee.com/

3.2 Gitee版本区别

Gitee分为5个版本，免费，基础，标准，高级，尊享版，费用功能各有不同，可以根据需要选取。
收费详情：https://gitee.com/enterprises#price

5. Codeup

5.1 Codeup简介

阿里云效代码管理 Codeup 是阿里云出品的一款企业级代码管理平台，提供代码托管、代码评审、代码扫描、质量检测等功能，全方位保护企业代码资产，帮助企业实现安全、稳定、高效的研发管理。
还是比较推荐的，安全，大厂背书。
Codeup具体介绍：https://help.aliyun.com/document_detail/153402.html

5.2 Codeup版本区别

阿里云效开放所有基础功能不限人数免费使用。高级版功能更丰富，容量更充足。
收费详情：https://help.aliyun.com/document_detail/173288.html

6. CODING

6.1 CODING 简介

腾讯CODING CODING （码市）是国内首个一站式云端软件服务平台。
云端软件开发协作平台，目前已累积 30 万开发者，50 万个项目。

CODING DevOps 包括代码托管、项目管理、测试管理、持续集成、制品库等多款产品和服务，涵盖软件开发从构想到交付的一切所需，使研发团队在云端高效协同，实践敏捷开发与 DevOps，提升软件交付质量与速度。
https://cloud.tencent.com/product/coding

6.2 CODING 版本区别

CODING 目前有3个版本，标准版不限成员数，不限项目数，但是容量有限，集成时长限制等。高级版包含标准版所有功能，更多高级功能及资源扩展。性能包包含标准版所有功能，单独升级持续集成资源包。
收费详情：https://cloud.tencent.com/product/coding

7. 其他

还有很多其他平台就不一一介绍，最常见的就是以上几种。

Pytorch 常用代码

本文代码基于PyTorch 1.0版本，需要用到以下包

import collections
import os
import shutil
import tqdm

import numpy as np
import PIL.Image
import torch
import torchvision

1. 基础配置

检查PyTorch版本

torch.__version__               # PyTorch version
torch.version.cuda              # Corresponding CUDA version
torch.backends.cudnn.version()  # Corresponding cuDNN version
torch.cuda.get_device_name(0)   # GPU type

更新PyTorch

PyTorch将被安装在anaconda3/lib/python3.7/site-packages/torch/目录下。

conda update pytorch torchvision -c pytorch

固定随机种子

torch.manual_seed(0)
torch.cuda.manual_seed_all(0)

指定程序运行在特定GPU卡上

在命令行指定环境变量

CUDA_VISIBLE_DEVICES=0,1 python train.py

或在代码中指定

os.environ['CUDA_VISIBLE_DEVICES'] = '0,1'

判断是否有CUDA支持

torch.cuda.is_available()

设置为cuDNN benchmark模式

Benchmark模式会提升计算速度，但是由于计算中有随机性，每次网络前馈结果略有差异。

torch.backends.cudnn.benchmark = True

如果想要避免这种结果波动，设置

torch.backends.cudnn.deterministic = True

清除GPU存储

有时Control-C中止运行后GPU存储没有及时释放，需要手动清空。在PyTorch内部可以

torch.cuda.empty_cache()

或在命令行可以先使用ps找到程序的PID，再使用kill结束该进程

ps aux | grep python
kill -9 [pid]

或者直接重置没有被清空的GPU

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

2. 张量处理

张量基本信息

tensor.type()   # Data type
tensor.size()   # Shape of the tensor. It is a subclass of Python tuple
tensor.dim()    # Number of dimensions.

数据类型转换

# Set default tensor type. Float in PyTorch is much faster than double.
torch.set_default_tensor_type(torch.FloatTensor)

# Type convertions.
tensor = tensor.cuda()
tensor = tensor.cpu()
tensor = tensor.float()
tensor = tensor.long()

torch.Tensor与np.ndarray转换

# torch.Tensor -> np.ndarray.
ndarray = tensor.cpu().numpy()

# np.ndarray -> torch.Tensor.
tensor = torch.from_numpy(ndarray).float()
tensor = torch.from_numpy(ndarray.copy()).float()  # If ndarray has negative stride

torch.Tensor与PIL.Image转换

PyTorch中的张量默认采用N×D×H×W的顺序，并且数据范围在[0, 1]，需要进行转置和规范化。

# 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.
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与PIL.Image转换

# np.ndarray -> PIL.Image.
image = PIL.Image.fromarray(ndarray.astypde(np.uint8))

# PIL.Image -> np.ndarray.
ndarray = np.asarray(PIL.Image.open(path))

从只包含一个元素的张量中提取值

这在训练时统计loss的变化过程中特别有用。否则这将累积计算图，使GPU存储占用量越来越大。

value = tensor.item()

张量形变

张量形变常常需要用于将卷积层特征输入全连接层的情形。相比torch.view，torch.reshape可以自动处理输入张量不连续的情况。

tensor = torch.reshape(tensor, shape)

打乱顺序

tensor = tensor[torch.randperm(tensor.size(0))]  # Shuffle the first dimension

水平翻转

PyTorch不支持tensor[::-1]这样的负步长操作，水平翻转可以用张量索引实现。

# Assume tensor has shape N*D*H*W.
tensor = tensor[:, :, :, torch.arange(tensor.size(3) - 1, -1, -1).long()]

复制张量

有三种复制的方式，对应不同的需求。

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

拼接张量

注意torch.cat和torch.stack的区别在于torch.cat沿着给定的维度拼接，而torch.stack会新增一维。例如当参数是3个10×5的张量，torch.cat的结果是30×5的张量，而torch.stack的结果是3×10×5的张量。

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

将整数标记转换成独热（one-hot）编码

PyTorch中的标记默认从0开始。

N = tensor.size(0)
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())

得到非零/零元素

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

判断两个张量相等

torch.allclose(tensor1, tensor2)  # float tensor
torch.equal(tensor1, tensor2)     # int tensor

张量扩展

# Expand tensor of shape 64*512 to shape 64*512*7*7.
torch.reshape(tensor, (64, 512, 1, 1)).expand(64, 512, 7, 7)

矩阵乘法

# Matrix multiplication: (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

计算两组数据之间的两两欧式距离

# X1 is of shape m*d, X2 is of shape n*d.
dist = torch.sqrt(torch.sum((X1[:,None,:] - X2) ** 2, dim=2))

3. 模型定义

卷积层

最常用的卷积层配置是

conv = torch.nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=1, padding=1, bias=True)
conv = torch.nn.Conv2d(in_channels, out_channels, kernel_size=1, stride=1, padding=0, bias=True)

如果卷积层配置比较复杂，不方便计算输出大小时，可以利用如下可视化工具辅助

Convolution Visualizerezyang.github.io

GAP（Global average pooling）层

gap = torch.nn.AdaptiveAvgPool2d(output_size=1)

双线性汇合（bilinear pooling）[1]

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）

当使用torch.nn.DataParallel将代码运行在多张GPU卡上时，PyTorch的BN层默认操作是各卡上数据独立地计算均值和标准差，同步BN使用所有卡上的数据一起计算BN层的均值和标准差，缓解了当批量大小（batch size）比较小时对均值和标准差估计不准的情况，是在目标检测等任务中一个有效的提升性能的技巧。

vacancy/Synchronized-BatchNorm-PyTorchgithub.com

现在PyTorch官方已经支持同步BN操作

sync_bn = torch.nn.SyncBatchNorm(num_features, eps=1e-05, momentum=0.1, affine=True, 
                                 track_running_stats=True)

将已有网络的所有BN层改为同步BN层

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

类似BN滑动平均

如果要实现类似BN滑动平均的操作，在forward函数中要使用原地（inplace）操作给滑动平均赋值。

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)

计算模型整体参数量

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

类似Keras的model.summary()输出模型信息

sksq96/pytorch-summarygithub.com

模型权值初始化

注意model.modules()和model.children()的区别：model.modules()会迭代地遍历模型的所有子层，而model.children()只会遍历模型下的一层。

# 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)

部分层使用预训练模型

注意如果保存的模型是torch.nn.DataParallel，则当前的模型也需要是torch.nn.DataParallel。torch.nn.DataParallel(model).module == model。

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

将在GPU保存的模型加载到CPU

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

4. 数据准备、特征提取与微调

图像分块打散（image shuffle）/区域混淆机制（region confusion mechanism，RCM）[2]

# X is torch.Tensor of size N*D*H*W.
# Shuffle rows
Q = (torch.unsqueeze(torch.arange(num_blocks), dim=1) * torch.ones(1, num_blocks).long()
     + torch.randint(low=-neighbour, high=neighbour, size=(num_blocks, num_blocks)))
Q = torch.argsort(Q, dim=0)
assert Q.size() == (num_blocks, num_blocks)

X = [torch.chunk(row, chunks=num_blocks, dim=2)
     for row in torch.chunk(X, chunks=num_blocks, dim=1)]
X = [[X[Q[i, j].item()][j] for j in range(num_blocks)]
     for i in range(num_blocks)]

# Shulle columns.
Q = (torch.ones(num_blocks, 1).long() * torch.unsqueeze(torch.arange(num_blocks), dim=0)
     + torch.randint(low=-neighbour, high=neighbour, size=(num_blocks, num_blocks)))
Q = torch.argsort(Q, dim=1)
assert Q.size() == (num_blocks, num_blocks)
X = [[X[i][Q[i, j].item()] for j in range(num_blocks)]
     for i in range(num_blocks)]

Y = torch.cat([torch.cat(row, dim=2) for row in X], dim=1)

得到视频数据基本信息

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）采样一帧视频[3]

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)]

提取ImageNet预训练模型某层的卷积特征

# 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预训练模型多层的卷积特征

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

其他预训练模型

Cadene/pretrained-models.pytorchgithub.com

微调全连接层

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)

以较大学习率微调全连接层，较小学习率微调卷积层

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)

5. 模型训练

常用训练和验证数据预处理

其中ToTensor操作会将PIL.Image或形状为H×W×D，数值范围为[0, 255]的np.ndarray转换为形状为D×H×W，数值范围为[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)),
])

训练基本代码框架

for t in epoch(80):
    for images, labels in tqdm.tqdm(train_loader, desc='Epoch %3d' % (t + 1)):
        images, labels = images.cuda(), labels.cuda()
        scores = model(images)
        loss = loss_function(scores, labels)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

标记平滑（label smoothing）[4]

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[5]

beta_distribution = torch.distributions.beta.Beta(alpha, alpha)
for images, labels in train_loader:
    images, labels = images.cuda(), labels.cuda()

    # Mixup images.
    lambda_ = beta_distribution.sample([]).item()
    index = torch.randperm(images.size(0)).cuda()
    mixed_images = lambda_ * images + (1 - lambda_) * images[index, :]

    # Mixup loss.    
    scores = model(mixed_images)
    loss = (lambda_ * loss_function(scores, labels) 
            + (1 - lambda_) * loss_function(scores, labels[index]))

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

L1正则化

l1_regularization = torch.nn.L1Loss(reduction='sum')
loss = ...  # Standard cross-entropy loss
for param in model.parameters():
    loss += lambda_ * torch.sum(torch.abs(param))
loss.backward()

不对偏置项进行L2正则化/权值衰减（weight decay）

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)

计算Softmax输出的准确率

score = model(images)
prediction = torch.argmax(score, dim=1)
num_correct = torch.sum(prediction == labels).item()
accuruacy = num_correct / labels.size(0)

可视化模型前馈的计算图

szagoruyko/pytorchvizgithub.com

可视化学习曲线

有Facebook自己开发的Visdom和Tensorboard（仍处于实验阶段）两个选择。

facebookresearch/visdomgithub.com

torch.utils.tensorboard - PyTorch master documentationpytorch.org

# Example using Visdom.
vis = visdom.Visdom(env='Learning curve', use_incoming_socket=False)
assert self._visdom.check_connection()
self._visdom.close()
options = collections.namedtuple('Options', ['loss', 'acc', 'lr'])(
    loss={'xlabel': 'Epoch', 'ylabel': 'Loss', 'showlegend': True},
    acc={'xlabel': 'Epoch', 'ylabel': 'Accuracy', 'showlegend': True},
    lr={'xlabel': 'Epoch', 'ylabel': 'Learning rate', 'showlegend': True})

for t in epoch(80):
    tran(...)
    val(...)
    vis.line(X=torch.Tensor([t + 1]), Y=torch.Tensor([train_loss]),
             name='train', win='Loss', update='append', opts=options.loss)
    vis.line(X=torch.Tensor([t + 1]), Y=torch.Tensor([val_loss]),
             name='val', win='Loss', update='append', opts=options.loss)
    vis.line(X=torch.Tensor([t + 1]), Y=torch.Tensor([train_acc]),
             name='train', win='Accuracy', update='append', opts=options.acc)
    vis.line(X=torch.Tensor([t + 1]), Y=torch.Tensor([val_acc]),
             name='val', win='Accuracy', update='append', opts=options.acc)
    vis.line(X=torch.Tensor([t + 1]), Y=torch.Tensor([lr]),
             win='Learning rate', update='append', opts=options.lr)

得到当前学习率

# 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'])

学习率衰减

# 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(...)

保存与加载断点

注意为了能够恢复训练，我们需要同时保存模型和优化器的状态，以及当前的训练轮数。

# Save checkpoint.
is_best = current_acc > best_acc
best_acc = max(best_acc, current_acc)
checkpoint = {
    'best_acc': best_acc,    
    'epoch': t + 1,
    'model': model.state_dict(),
    'optimizer': optimizer.state_dict(),
}
model_path = os.path.join('model', 'checkpoint.pth.tar')
torch.save(checkpoint, model_path)
if is_best:
    shutil.copy('checkpoint.pth.tar', model_path)

# Load checkpoint.
if resume:
    model_path = os.path.join('model', '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 %d.' % start_epoch)

计算准确率、查准率（precision）、查全率（recall）

# data['label'] and data['prediction'] are groundtruth label and prediction 
# for each image, respectively.
accuracy = np.mean(data['label'] == data['prediction']) * 100

# Compute recision and recall for each class.
for c in range(len(num_classes)):
    tp = np.dot((data['label'] == c).astype(int),
                (data['prediction'] == c).astype(int))
    tp_fp = np.sum(data['prediction'] == c)
    tp_fn = np.sum(data['label'] == c)
    precision = tp / tp_fp * 100
    recall = tp / tp_fn * 100

6. 模型测试

计算每个类别的查准率（precision）、查全率（recall）、F1和总体指标

import sklearn.metrics

all_label = []
all_prediction = []
for images, labels in tqdm.tqdm(data_loader):
     # Data.
     images, labels = images.cuda(), labels.cuda()
     
     # Forward pass.
     score = model(images)
     
     # Save label and predictions.
     prediction = torch.argmax(score, dim=1)
     all_label.append(labels.cpu().numpy())
     all_prediction.append(prediction.cpu().numpy())

# Compute RP and confusion matrix.
all_label = np.concatenate(all_label)
assert len(all_label.shape) == 1
all_prediction = np.concatenate(all_prediction)
assert all_label.shape == all_prediction.shape
micro_p, micro_r, micro_f1, _ = sklearn.metrics.precision_recall_fscore_support(
     all_label, all_prediction, average='micro', labels=range(num_classes))
class_p, class_r, class_f1, class_occurence = sklearn.metrics.precision_recall_fscore_support(
     all_label, all_prediction, average=None, labels=range(num_classes))
# Ci,j = #{y=i and hat_y=j}
confusion_mat = sklearn.metrics.confusion_matrix(
     all_label, all_prediction, labels=range(num_classes))
assert confusion_mat.shape == (num_classes, num_classes)

将各类结果写入电子表格

import csv

# Write results onto disk.
with open(os.path.join(path, filename), 'wt', encoding='utf-8') as f:
     f = csv.writer(f)
     f.writerow(['Class', 'Label', '# occurence', 'Precision', 'Recall', 'F1',
                 'Confused class 1', 'Confused class 2', 'Confused class 3',
                 'Confused 4', 'Confused class 5'])
     for c in range(num_classes):
         index = np.argsort(confusion_mat[:, c])[::-1][:5]
         f.writerow([
             label2class[c], c, class_occurence[c], '%4.3f' % class_p[c],
                 '%4.3f' % class_r[c], '%4.3f' % class_f1[c],
                 '%s:%d' % (label2class[index[0]], confusion_mat[index[0], c]),
                 '%s:%d' % (label2class[index[1]], confusion_mat[index[1], c]),
                 '%s:%d' % (label2class[index[2]], confusion_mat[index[2], c]),
                 '%s:%d' % (label2class[index[3]], confusion_mat[index[3], c]),
                 '%s:%d' % (label2class[index[4]], confusion_mat[index[4], c])])
         f.writerow(['All', '', np.sum(class_occurence), micro_p, micro_r, micro_f1, 
                     '', '', '', '', ''])

7. PyTorch其他注意事项

模型定义

• 建议有参数的层和汇合（pooling）层使用torch.nn模块定义，激活函数直接使用torch.nn.functional。torch.nn模块和torch.nn.functional的区别在于，torch.nn模块在计算时底层调用了torch.nn.functional，但torch.nn模块包括该层参数，还可以应对训练和测试两种网络状态。使用torch.nn.functional时要注意网络状态，如

def forward(self, x):
    ...
    x = torch.nn.functional.dropout(x, p=0.5, training=self.training)

• model(x)前用model.train()和model.eval()切换网络状态。
• 不需要计算梯度的代码块用with torch.no_grad()包含起来。model.eval()和torch.no*_*grad()的区别在于，model.eval()是将网络切换为测试状态，例如BN和随机失活（dropout）在训练和测试阶段使用不同的计算方法。torch.no_grad()是关闭PyTorch张量的自动求导机制，以减少存储使用和加速计算，得到的结果无法进行loss.backward()。
• torch.nn.CrossEntropyLoss的输入不需要经过Softmax。torch.nn.CrossEntropyLoss等价于torch.nn.functional.log_softmax + torch.nn.NLLLoss。
• loss.backward()前用optimizer.zero_grad()清除累积梯度。optimizer.zero_grad()和model.zero_grad()效果一样。

PyTorch性能与调试

• torch.utils.data.DataLoader中尽量设置pin_memory=True，对特别小的数据集如MNIST设置pin_memory=False反而更快一些。num_workers的设置需要在实验中找到最快的取值。
• 用del及时删除不用的中间变量，节约GPU存储。
• 使用inplace操作可节约GPU存储，如

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

此外，还可以通过torch.utils.checkpoint前向传播时只保留一部分中间结果来节约GPU存储使用，在反向传播时需要的内容从最近中间结果中计算得到。

• 减少CPU和GPU之间的数据传输。例如如果你想知道一个epoch中每个mini-batch的loss和准确率，先将它们累积在GPU中等一个epoch结束之后一起传输回CPU会比每个mini-batch都进行一次GPU到CPU的传输更快。
• 使用半精度浮点数half()会有一定的速度提升，具体效率依赖于GPU型号。需要小心数值精度过低带来的稳定性问题。
• 时常使用assert tensor.size() == (N, D, H, W)作为调试手段，确保张量维度和你设想中一致。
• 除了标记y外，尽量少使用一维张量，使用n*1的二维张量代替，可以避免一些意想不到的一维张量计算结果。
• 统计代码各部分耗时

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

或者在命令行运行

python -m torch.utils.bottleneck main.py

参考资料

• PyTorch官方代码：pytorch/examples
• PyTorch论坛：PyTorch Forums
• PyTorch文档：http://pytorch.org/docs/stable/index.html
• 其他基于PyTorch的公开实现代码，无法一一列举

参考

1. ^T.-Y. Lin, A. RoyChowdhury, and S. Maji. Bilinear CNN models for fine-grained visual recognition. In ICCV, 2015.
2. ^Y. Chen, Y. Bai, W. Zhang, and T. Mei. Destruction and construction learning for fine-grained image recognition. In CVPR, 2019.
3. ^L. Wang, Y. Xiong, Z. Wang, Y. Qiao, D. Lin, X. Tang, and L. V. Gool. Temporal segment networks: Towards good practices for deep action recognition. In ECCV, 2016.
4. ^C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna: Rethinking the Inception architecture for computer vision. In CVPR, 2016.
5. ^H. Zhang, M. Cissé, Y. N. Dauphin, and D. Lopez-Paz. mixup: Beyond empirical risk minimization. In ICLR, 2018.