记intel杯比赛中各种bug与debug【其三】：intel chainer的安装与使用

现在在训练模型，闲着来写一篇

顺着这篇文章，顺利安装上intel chainer

再次感谢 大黄老鼠

intel chainer 使用

头一次使用chainer，本以为又入了一个大坑，实际尝试感觉非常兴奋

chainer的使用十分顺畅，开发起来特别友好

可能是跟pytorch相似的原因，特喜欢chainer

网络结构编写

这里如果用过pytorch，就会发现代码几乎没变，写起来就会非常顺手

在chainer中layers被视为links，Module被叫做Chain， chainer的意思由此可见

chainer的创新是突出了一个数据带领结构（“Define-by-Run”），所以就连layer的输入大小都不需要填写

模型会自动帮我们写

class Network(chainer.Chain):
    def __init__(self):
        super(Network, self).__init__()
        with self.init__scope():
            self.in=chainer.links.Linear(None, 256)
            self.hidden=chainer.links.Linear(None, 64)
            self.out=chainer.links.Linear(None, 5)

    def __call__(self, x):
        x=chainer.functions.relu(self.in(x))
        x=chainer.functions.relu(self.hidden(x))
        x=self.out(x)
        return x

class Classifier(chainer.Chainer):
    def __init__(self, predicor):
        super(Classifier, self).__init__()
        with self.init__scope():
            self.predictor=predictor

    def __call__(self, x, t):
        x=self.predictor(x)
        loss=chainer.functions.softmax_cross_entropy(x, t)
        accuracy=chainer.functions.accuracy(x, t)
        chainer.reporter.report({'loss': loss, 'accuracy': accuracy}, self)
        return loss

训练模型

简要写一下chainer训练时要写什么

• model
• optimizer
• trainer(可选，需要updater和必要的参数)
• updater(以下皆可选， 需iterator， optimizer)
• iterator(需dataset，batch_size)
• dataset(类型为TupleDataset)
• extensions(需trainer)

我们把训练方式分为两种

• 一种为pytorch风格
  
  定义好model, optimizer, criterion
  
  嵌套循环，计算loss然后bp即可

def lossfun(data, label):
    ...
    return loss

model=Network()
optimizer=chainer.optimizers.Adam()
optimizer.setup(model)
for epoch in params['epoch']:
    for step, batch in enumerate(dataset):
        model.cleargrads()
        # model.reset_state()

        loss=lossfun(batch['data'], batch['label'])
        loss.backward()
        optimizer.update()

或者简单写成

model=Network()
optimizer=chainer.optimizers.Adam()
optimizer.setup(model)
for epoch in params['epoch']:
    for step, batch in enumerate(dataset):
        # model.reset_state()
        optimizer.update(lossfun, data, label)

• 另一种是带trainer的chainer风格
  
  若有需要，重写updater和iterator，塞进trainer即可
  
  若需要拓展，只需trainer.extend(...)，十分方便
  
  这里就简单的写一下

model=Classifier(Network())
optimizer=chainer.optimizers.Adam()
optimizer.setup(model)

trainset=chainer.datasets.TupleDataset(data, label)
train_iter=chainer.iterators.SerialIterator(trainset, params['batch_size'], shuffle=True, repeat=True)
updater=trainer.StandardUpdater(train_iter, model)
trainer=chainer.training.Trainer(updater, (params['epoch'], 'epoch'), params['name'])

# 这里是各种拓展
trainer.run()

使用模型

跟pytorch一样，十分简单

predict=model(data)
...