PyTorch学习笔记
1 PyTorch简介与安装
PyTorch是一个基于 Numpy 的科学计算包,向它的使用者提供了两大功能:
- 作为 Numpy 的替代者,向用户提供使用 GPU 强大功能的能力;
- 做为一款深度学习的平台, 向用户提供最大的灵活性和速度。
pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
具体可根据个人设备的配置来选择,生成自己的安装命令
检查pytorch是否安装成功
import torch # 如果pytorch安装成功即可导入
print(torch.__version__) # 查看torch的版本
print(torch.cuda.is_available()) # 查看CUDA是否可用
print(torch.cuda.device_count()) # 查看可用的CUDA数量
print(torch.version.cuda) # 查看CUDA的版本号
2 PyTorch的基本操作
Tensor:即张量,其概念类似于 Numpy 中的 ndarray 数据结构,最大的区别在于 Tensor可以利用 GPU 的加速功能。(PyTorch 之所以能使用 GPU 加速,是因为张量。)
我们使用Pytorch的时候,常规步骤是先将torch引用进来, 如下所示:
# 加上该语句后,即使在python2.X,使用print就得像python3.X那样加括号使用
from __future__ import print_function
import torch
2.1 张量的创建
- 创建一个没有初始化的张量
a = torch.empty(5, 3)
print(a)
tensor([[2.4835e+27, 2.5428e+30, 1.0877e-19],
[1.5163e+23, 2.2012e+12, 3.7899e+22],
[5.2480e+05, 1.0175e+31, 9.7056e+24],
[1.6283e+32, 3.7913e+22, 3.9653e+28],
[1.0876e-19, 6.2027e+26, 2.3685e+21]])
- 创建一个有初始化的张量
b = torch.rand(5, 3)
# torch.rand()返回一个张量,包含了从区间[0, 1)的均匀分布中抽取的一组随机数
# torch.randn()返回一个张量,包含了从标准正态分布(均值为0,差为1,即高斯白噪声)中抽取的一组随机数。
# torch.randint(参数1,参数2) 左闭右开
# random.randint(参数1,参数2) 左闭右闭
print(b)
tensor([[0.1368, 0.8070, 0.4567],
[0.4369, 0.8278, 0.5552],
[0.6848, 0.4473, 0.1031],
[0.5308, 0.9194, 0.2761],
[0.0484, 0.9941, 0.2227]])
对比有无初始化的矩阵:当声明一个未初始化的矩阵时,它本身不包含任何确切的值.。当创建一个未初始化的矩阵时,分配给矩阵的内存中有什么数值就赋值给了这个矩阵,本质上是毫无意义的数据。
- 创建一个全零张量并可指定数据元素的类型为long
c = torch.zeros(5, 3, dtype=torch.long)
print(c)
tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
同样地,还有 torch.ones()
- 直接通过数据创建张量
d = torch.tensor([2.5, 3.5])
print(d) # tensor([2.5000, 3.3000])
- 使用 numpy 中的数组创建 tensor
torch.tensor(np.array([[1, 2, 3], [4, 5, 6]]))
- 通过已有的一个张量创建指定尺寸的新张量
x = d.new_ones(5, 3, dtype=torch.double)
print(x)
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
- 通过已有的一个张量创建相同尺寸的新张量
# 利用randn\_like方法得到相同张量尺寸的一个新张量, 并且采用随机初始化来对其赋值
y = torch.randn_like(x, dtype=torch.float)
print(y)
tensor([[-0.1497, -0.5832, -0.3805],
[ 0.9001, 2.0637, 1.3299],
[-0.8813, -0.6579, -0.9135],
[-0.1374, 0.1000, -0.9343],
[-1.1278, -0.9140, -1.5910]])
2.2 张量的属性
- 获取张量的大小
print(y.size()) # torch.Size([5, 3])
torch.Size
函数本质上返回的是一个tuple,因此它支持一切元组的操作。
- 改变张量的形状
i = torch.randn(4, 4)
# tensor.view()操作需要保证数据元素的总数量不变
j = i.view(16)
# -1代表自动匹配个数
k = i.view(-1, 8)
print(i.size(), j.size(), k.size())
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
2.3 张量的运算
- 加法操作
第一种加法操作
print(x + y)
第二种加法操作
print(torch.add(x, y))
第三种加法操作
# 提前设定一个空的张量
result = torch.empty(5, 3)
# 将空的张量作为加法的结果存储张量
torch.add(x, y, out=result)
print(result)
第四种加法方式
# 原地置换
y.add_(x)
print(y)
注意:所有
in-place
的操作函数都有一个下划线的后缀,比如x.copy_(y),x.add_(y)
,都会直接改变x
的值
2.4 获取张量元素
- 取出元素
如果张量中只有一个元素,可以用 .item()
将值取出,作为一个 python number(真实值)
n = torch.randn(1)
print(n)
print(n.item())
tensor([-0.3531])
-0.3530771732330322
- 切片
用类似于Numpy 的方式对张量进行操作:
print(x[:, 1])
tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
2.5 类型转换
Torch Tensor和Numpy array的转换
a = torch.ones(5)
print(a) # tensor([1., 1., 1., 1., 1.])
- 将 Torch Tensor 转换为 Numpy array
b = a.numpy()
print(b) # [1. 1. 1. 1. 1.]
对其中一个进行加法操作,另一个也随之被改变
a.add_(1)
print(a)
# tensor([2., 2., 2., 2., 2.])
print(b)
# [2. 2. 2. 2. 2.]
- 将 Numpy array 转换为 Torch Tensor
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
print(a)
# [1. 1. 1. 1. 1.]
print(b)
# tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
np.add(a, 1, out=a)
print(a)
# [2. 2. 2. 2. 2.]
print(b)
# tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
注意:
- 所有在CPU上的Tensors,除了CharTensor,都可以转换为Numpy array并可以反向转换
- Torch Tensor 和 Numpy array共享底层的内存空间,因此改变其中一个的值,另一个也会随之被改变。
关于Cuda Tensor: Tensors可以用
.to()
方法来将其移动到任意设备上。
- GPU:“cuda”
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
也会随之被改变。
关于Cuda Tensor: Tensors可以用
.to()
方法来将其移动到任意设备上。
- GPU:“cuda”
[外链图片转存中…(img-EUDbXlU1-1714783865059)]
[外链图片转存中…(img-OAnNHfQl-1714783865060)]
[外链图片转存中…(img-ZdGAcYsq-1714783865061)]
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新