1. 同時搞定TensorFlow、PyTorch (一)：梯度下降。
2. 同時搞定TensorFlow、PyTorch (二)：模型定義。
3. 同時搞定TensorFlow、PyTorch (三) ：資料前置處理。
4. 同時搞定TensorFlow、PyTorch (四)：模型訓練。

前言

上一篇談到TensorFlow/PyTorch資料前置處理的方式，接下來我們就各使用一支完整的範例訓練模型。

TensorFlow

1. 載入 MNIST 資料集。

import tensorflow as tf

mnist = tf.keras.datasets.mnist

# 載入 MNIST 手寫阿拉伯數字資料
(x_train, y_train),(x_test, y_test) = mnist.load_data()

# 特徵縮放，使用常態化(Normalization)，公式 = (x - min) / (max - min)
x_train_norm, x_test_norm = x_train / 255.0, x_test / 255.0

# 轉為 Dataset，含 X/Y 資料
train_ds = tf.data.Dataset.from_tensor_slices((x_train_norm, y_train))

2. 建立模型。

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

3. 設定優化器(optimizer)、損失函數(loss)、效能衡量指標(metrics)。

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

損失函數使用sparse_XXX，y就不需One-hot encoding，否則須呼叫以下程式。

# 將 training 的 label 進行 one-hot encoding，例如數字 7 經過 One-hot encoding 轉換後是 0000000100，即第8個值為 1
y_train = tf.keras.utils.to_categorical(y_train) 
y_test = tf.keras.utils.to_categorical(y_test) 
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

4. 模型訓練：只要一行程式碼。

model.fit(x_train_norm, y_train, epochs=5, validation_split=0.2)

5. 評分(Score Model)。

score=model.evaluate(x_test_norm, y_test, verbose=0)

for i, x in enumerate(score):
    print(f'{model.metrics_names[i]}: {score[i]:.4f}')

PyTorch

1. 載入 MNIST 資料集。

import os
import torch
from torch import nn
from torch.nn import functional as F
from torch.utils.data import DataLoader, random_split
from torchmetrics import Accuracy
from torchvision import transforms
from torchvision.datasets import MNIST

PATH_DATASETS = "" # 預設路徑
# 下載 MNIST 手寫阿拉伯數字 訓練資料
train_ds = MNIST(PATH_DATASETS, train=True, download=True, 
                 transform=transforms.ToTensor())

# 下載測試資料
test_ds = MNIST(PATH_DATASETS, train=False, download=True, 
                 transform=transforms.ToTensor())

2. 判斷本機是否有GPU：若含NVidia顯卡，且安裝CUDA toolkits，TensorFlow會自動使用GPU進行運算及模型訓練，PyTorch則由開發者自行決定，因此，先判斷本機是否有GPU。

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
"cuda" if torch.cuda.is_available() else "cpu"

3. 建立模型：若有GPU，to(device)指令將模型複製至GPU記憶體。

model = torch.nn.Sequential(
    torch.nn.Flatten(),
    torch.nn.Linear(28 * 28, 256), 
    torch.nn.Dropout(0.2),
    torch.nn.Linear(256, 10), 
    # 使用nn.CrossEntropyLoss()時，不需要將輸出經過softmax層，否則計算的損失會有誤
    # torch.nn.Softmax(dim=1)
).to(device)

4. 設定優化器(optimizer)、損失函數(loss)、效能衡量指標(metrics)。

epochs = 5
lr=0.1
BATCH_SIZE = 1024  # 批量

# 建立 DataLoader
train_loader = DataLoader(train_ds, batch_size=600)

# 設定優化器(optimizer)
# optimizer = torch.optim.Adam(model.parameters(), lr=lr)
optimizer = torch.optim.Adadelta(model.parameters(), lr=lr)

criterion = nn.CrossEntropyLoss()

PyTorch不管使用何種損失函數，y是否進行One-hot encoding均可。

5. 模型訓練：要寫一大堆程式碼，包括梯度下降、計算損失/準確率等，似乎很麻煩，但是訓練過程中，可任意插入除錯訊息，例如第6行，顯示第一筆資料，不像TensorFlow必須借助Callback機制。另外，要記得把訓練資料也複製到GPU記憶體，與模型一致。

model.train()
loss_list = []    
for epoch in range(1, epochs + 1):
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)
#         if batch_idx == 0 and epoch == 1: print(data[0])

        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()

        if batch_idx % 10 == 0:
            loss_list.append(loss.item())
            batch = batch_idx * len(data)
            data_count = len(train_loader.dataset)
            percentage = (100. * batch_idx / len(train_loader))
            print(f'Epoch {epoch}: [{batch:5d} / {data_count}] ({percentage:.0f} %)' +
                  f'  Loss: {loss.item():.6f}')

6. 評分(Score Model)：也要寫一大堆程式碼。

# 建立 DataLoader
test_loader = DataLoader(test_ds, shuffle=False, batch_size=BATCH_SIZE)

model.eval()
test_loss = 0
correct = 0
with torch.no_grad():
    for data, target in test_loader:
        data, target = data.to(device), target.to(device)
        output = model(data)
        
        # sum up batch loss
        test_loss += criterion(output, target).item()
        
        # 預測
        pred = output.argmax(dim=1, keepdim=True)  
        
        # 正確筆數
        correct += pred.eq(target.view_as(pred)).sum().item()

# 平均損失
test_loss /= len(test_loader.dataset)
# 顯示測試結果
batch = batch_idx * len(data)
data_count = len(test_loader.dataset)
percentage = 100. * correct / data_count
print(f'平均損失: {test_loss:.4f}, 準確率: {correct}/{data_count}' + 
      f' ({percentage:.0f}%)\n')

完整程式可參閱開發者傳授 PyTorch 秘笈 的src/TF_vs_Pytorch.ipynb。

詳細流程強烈建議參考：

• TensorFlow：深度學習 -- 最佳入門邁向 AI 專題實戰的src/04_02_手寫阿拉伯數字辨識_完整版。
• PyTorch可參閱開發者傳授 PyTorch 秘笈 的src/04_05_手寫阿拉伯數字辨識_完整版.ipynb。

結論

1. TensorFlow訓練及評分都只要一行指令，PyTorch 可以嗎? 可以試用 PyTorch Lightning 套件，首頁上附了一支簡短的程式，訓練也只要一行指令，讀者如有興趣可詳閱開發者傳授 PyTorch 秘笈。
2. PyTorch 訓練及評分步驟比較繁瑣，但是相對程序較清楚，學界會比較喜愛PyTorch，因為，可以講授得很清楚，要調整也比較容易，因此，PyTorch在研發及教育領域佔有率比TensorFlow高，反之，企業界講求效率，使用TensorFlow較多。

系列文介紹到此告一段落，希望對深度學習入門者有一絲絲的幫助。

以下為工商廣告:)。
PyTorch：
開發者傳授 PyTorch 秘笈

預計 2022/6/20 出版。

TensorFlow：
深度學習 -- 最佳入門邁向 AI 專題實戰。