PyTorch

上手快，掌握 Numpy 和基本深度学习概念即可上手。

代码简洁灵活，使用 nn.Module 封装使得网络搭建更加方便。基于动态图机制，更加灵活。

资源多，arXiv 中新论文的算法大多有 PyTorch 实现。

开发者多，Github 上贡献者(Contributors)已经超过 1100+

五大要素：

数据：包括数据读取，数据清洗，进行数据划分和数据预处理，比如读取图片如何预处理及数据增强。
模型：包括构建模型模块，组织复杂网络，初始化网络参数，定义网络层。
损失函数：包括创建损失函数，设置损失函数超参数，根据不同任务选择合适的损失函数。
优化器：包括根据梯度使用某种优化器更新参数，管理模型参数，管理多个参数组实现不同学习率，调整学习率。
迭代训练：组织上面 4 个模块进行反复训练。包括观察训练效果，绘制 Loss/ Accuracy 曲线，用 TensorBoard 进行可视化分析。

可以使用此命令查看是否有GPU，我木有。。

Tensor:

Tensor 中文为张量。张量的意思是一个多维数组，它是标量、向量、矩阵的高维扩展。

标量可以称为 0 维张量，向量可以称为 1 维张量，矩阵可以称为 2 维张量，RGB 图像可以表示 3 维张量。你可以把张量看作多维数组。

将0.4.0以前的版本做了修改之后，目前的Tensor具有8个属性：

data: 被包装的 Tensor。
grad: data 的梯度。
grad_fn: 创建 Tensor 所使用的 Function，是自动求导的关键，因为根据所记录的函数才能计算出导数。
requires_grad: 指示是否需要梯度，并不是所有的张量都需要计算梯度。
is_leaf: 指示是否叶子节点(张量)，叶子节点的概念在计算图中会用到，后面详细介绍。
dtype: 张量的数据类型，如 torch.FloatTensor，torch.cuda.FloatTensor。
shape: 张量的形状。如 (64, 3, 224, 224)
device: 张量所在设备 (CPU/GPU)，GPU 是加速计算的关键

关于 dtype，PyTorch 提供了 9 种数据类型，共分为 3 大类：float (16-bit, 32-bit, 64-bit)、integer (unsigned-8-bit ,8-bit, 16-bit, 32-bit, 64-bit)、Boolean。模型参数和数据用的最多的类型是 float-32-bit。label 常用的类型是 integer-64-bit。

Tensor的创建方式：

直接创建Tensor：torch.tensor(); torch.from_numpy(ndarray);
根据数值创建Tensor：torch.zeros(); torch.zeros_like; torch.full(); torch.full_like(); torch.arange(); torch.linspace(); torch.logspace(); torch.eye();
根据概率创建Tensor：troch.normal(); torch.randn(); torch.randn_like(); torch.rand(); torch.rand_like(); torch.randint(); troch.randint_like(); torch.randperm(); torch.bernoulli();

troch.tensor

torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)

data: 数据，可以是 list，numpy

dtype: 数据类型，默认与 data 的一致

device: 所在设备，cuda/cpu

requires_grad: 是否需要梯度

pin_memory: 是否存于锁页内存

import torch
import numpy as np

arr = np.ones((3, 3))
print("ndarray的数据类型：", arr.dtype)
t = torch.tensor(arr)
print(t)

//
输出为：
ndarray的数据类型： float64
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)

troch.from_numpy(ndarray)

从 numpy 创建 tensor。利用这个方法创建的 tensor 和原来的 ndarray 共享内存，当修改其中一个数据，另外一个也会被改动。

arr = np.array([[1, 2, 3], [4, 5, 6]])
t = torch.from_numpy(arr)

# 修改 array，tensor 也会被修改
# print("\n修改arr")
# arr[0, 0] = 0
# print("numpy array: ", arr)
# print("tensor : ", t)

# 修改 tensor，array 也会被修改
print("\n修改tensor")
t[0, 0] = -1
print("numpy array: ", arr)
print("tensor : ", t)

//
输出为：
修改tensor
numpy array:  [[-1  2  3]
 [ 4  5  6]]
tensor :  tensor([[-1,  2,  3],
        [ 4,  5,  6]], dtype=torch.int32)

torch.zeros()

torch.zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

size: 张量的形状

out: 输出的张量，如果指定了 out，那么torch.zeros()返回的张量和 out 指向的是同一个地址

layout: 内存中布局形式，有 strided，sparse_coo 等。当是稀疏矩阵时，设置为 sparse_coo 可以减少内存占用。

device: 所在设备，cuda/cpu

requires_grad: 是否需要梯度

out_t = torch.tensor([1])
# 这里制定了 out
t = torch.zeros((3, 3), out=out_t)
print(t, '\n', out_t)
# id 是取内存地址。最终 t 和 out_t 是同一个内存地址
print(id(t), id(out_t), id(t) == id(out_t))

//
输出为：
tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]]) 
 tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])
2984903203072 2984903203072 True

torch.zeros_like

torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False, memory_format=torch.preserve_format)

功能：根据 input 形状创建全 0 张量

input: 创建与 input 同形状的全 0 张量

dtype: 数据类型

layout: 内存中布局形式，有 strided，sparse_coo 等。当是稀疏矩阵时，设置为 sparse_coo 可以减少内存占用。

同理还有全 1 张量的创建方法：torch.ones()，torch.ones_like()。

torch.full() torch.full_like()

torch.full(size, fill_value, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

功能：创建自定义数值的张量

size: 张量的形状，如 (3,3)

fill_value: 张量中每一个元素的值

t = torch.full((3, 3), 1)
print(t)

//输出为：
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])

torch.arange()

torch.arange(start=0, end, step=1, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

功能：创建等差的 1 维张量。注意区间为[start, end)。

start: 数列起始值

end: 数列结束值，开区间，取不到结束值

step: 数列公差，默认为 1

t = torch.arange(2, 10, 2)
print(t)

//
输出为：
tensor([2, 4, 6, 8])

torch.linspace()

torch.linspace(start, end, steps=100, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

功能：创建均分的 1 维张量。数值区间为 [start, end]

start: 数列起始值

end: 数列结束值

steps: 数列长度 (元素个数)

t = torch.linspace(2, 10, 6)
print(t)

//
输出为：
tensor([ 2.0000,  3.6000,  5.2000,  6.8000,  8.4000, 10.0000])

torch.logspace()

torch.logspace(start, end, steps=100, base=10.0, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

功能：创建对数均分的 1 维张量。数值区间为 [start, end]，底为 base。

start: 数列起始值

end: 数列结束值

steps: 数列长度 (元素个数)

base: 对数函数的底，默认为 10

t = torch.linspace(2, 10, 6)
print(t)

//
输出为：
tensor([ 2.0000,  3.6000,  5.2000,  6.8000,  8.4000, 10.0000])

torch.eye()

torch.eye(n, m=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

功能：创建单位对角矩阵( 2 维张量)，默认为方阵

n: 矩阵行数。通常只设置 n，为方阵。

m: 矩阵列数

troch.normal()

torch.normal(mean, std, *, generator=None, out=None)

功能：生成正态分布 (高斯分布)

mean: 均值

std: 标准差

有 4 种模式：

mean 为标量，std 为标量。这时需要设置 size。

代码示例：

# mean：标量 std: 标量
# 这里需要设置 size
t_normal = torch.normal(0., 1., size=(4,))
print(t_normal)

输出为：

tensor([0.6614, 0.2669, 0.0617, 0.6213])

mean 为标量，std 为张量

mean 为张量，std 为标量

代码示例：

# mean：张量 std: 标量
mean = torch.arange(1, 5, dtype=torch.float)
std = 1
t_normal = torch.normal(mean, std)
print("mean:{}\nstd:{}".format(mean, std))
print(t_normal)

输出为：

mean:tensor([1., 2., 3., 4.])
std:1
tensor([1.6614, 2.2669, 3.0617, 4.6213])

这 4 个数采样分布的均值不同，但是方差都是 1。

mean 为张量，std 为张量

代码示例：

# mean：张量 std: 张量
mean = torch.arange(1, 5, dtype=torch.float)
std = torch.arange(1, 5, dtype=torch.float)
t_normal = torch.normal(mean, std)
print("mean:{}\nstd:{}".format(mean, std))
print(t_normal)

输出为：

mean:tensor([1., 2., 3., 4.])
std:tensor([1., 2., 3., 4.])
tensor([1.6614, 2.5338, 3.1850, 6.4853])

其中 1.6614 是从正态分布 $N(1,1)$ 中采样得到的，其他数字以此类推。

torch.randn() torch.randn_like()

torch.randn(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

功能：生成标准正态分布。

size: 张量的形状

torch.rand() torch.rand_like()

torch.rand(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

功能：在区间 [0, 1) 上生成均匀分布。

torch.randint() troch.randint_like()

randint(low=0, high, size, *, generator=None, out=None,
dtype=None, layout=torch.strided, device=None, requires_grad=False)

功能：在区间 [low, high) 上生成整数均匀分布。

size: 张量的形状

torch.randperm()

torch.randperm(n, out=None, dtype=torch.int64, layout=torch.strided, device=None, requires_grad=False)

功能：生成从 0 到 n-1 的随机排列。常用于生成索引。

n: 张量的长度

torch.bernoulli()

torch.bernoulli(input, *, generator=None, out=None)

功能：以 input 为概率，生成伯努利分布 (0-1 分布，两点分布)

input: 概率值

张量的操作：

拼接：torch.cat(); torch.stack();
切分：torch.chunk(); torch.split();
索引：torch.index_select(); torch.masked_select();
变换：torch.reshape(); torch.transpose(); torch.t(); torch.squeeze(); torch.unsqueeze();

张量的数学运算：

主要分为 3 类：加减乘除，对数，指数，幂函数和三角函数。

如：torch.add(); torch.addcdiv(); torch.addcmul();

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

PyTorch.md

PyTorch.md

PyTorch

Files

PyTorch.md

Latest commit

History

PyTorch.md

File metadata and controls

PyTorch