【深度学习实验报告】实验 1：PyTorch 使用简介(1)

• PyTorch 中的张量及其运算

• PyTorch 中的自动微分运算

• 用 PyTorch 实现线性回归

1.3 实验环境

• Python3.9

• PyTorch1.10.2

• pycharm

二、有关张量（Tensor）运算的练习

---

2.1 使用Tensor

PyTorch 是一个开源的深度学习框架，由 Facebook 支持开发。它的前身为Torch，但因为 Torch 使用的编程语言是 Lua，在国内流行度很小。Facebook 为了迎合数量更多的 Python 用户的需求，推出了 PyTorch。PyTorch 完全开源意味着你可以轻易获取它的代码，并按照自己的需求对它进行修改。比如让 PyTorch 支持复数运算等等。PyTorch 还有另外一个非常出众的特点是，使用 PyT orch 框架编写出的神经网络模型的代码非常简洁。实现同样的功能，使用 PyTorch 框架编写的代码往往更清晰明了

1 阶的张量可以看做是一个向量，通过索引可以取到一个“值”。

2 阶张量可以看做为一个矩阵，通过索引可以取到一个个的向量。

3 阶张量有点抽象，不过我们可以从图中看出，3 阶张量其实就是在 2 阶张量的矩阵中增加了一个深度。也就是说在 3 阶张量中我们可以通过索引取到一个个的矩阵。我们不难想象，4 阶张量也就是在 3 阶张量上增加了另外一个轴……我们可以使用 **Tensor.size()**方法获得一个张量的“尺寸”。在这里注意“尺寸”和维度是两个概念。就比如对于上图中的 1 阶张量，它的维度为 1，尺寸为 8； 对于上图中的 2 阶张量，它的维度为 2，尺寸为（8，6）。

要使用 PyTorch，首先需要在 Python 中引入 PyTorch 的包

import torch

计算机视觉软件包

import torchvision

torch 版本

print(torch.version)

计算机视觉软件包版本

print(torchvision.version)

是否有GPU 及其版本

print(torch.cuda.is_available())

print(torch.version.cuda)

‘’'1.10.2

0.11.3

True

11.3’‘’

没有数据的创建选项：

print(torch.eye(2))

print(torch.zeros(2, 2))

print(torch.ones(2, 2))

print(torch.rand(2, 2))

‘’'tensor([[1., 0.],

[0., 1.]])

tensor([[0., 0.],

[0., 0.]])

tensor([[1., 1.],

[1., 1.]])

tensor([[0.3657, 0.9712],

[0.9962, 0.9617]])‘’’

2.2 基本 Tensor 运算

创建一个5*3的全1矩阵

y = torch.ones(5, 3)

print(y)

计算两个矩阵相加

z = x + y

print(z)

矩阵转置

print(y.t())

矩阵相乘

print(x.mm(y.t()))

点乘

print(x*y)

转置操作可以用.t()来完成，也可以用 transpose(0,1)来完成。

2.2 Tensor 与 numpy.ndarray 之间的转换

PyTorch 的Tensor 可以与Python 的常用数据处理包Numpy 中的多维数组进行转换。

import torch

import numpy as np

为深度学习创建PyTorch张量-最佳选择

Tensor与tensor区别： 区别是：默认数据类型与指定的数据类型。

data = np.array([1, 2, 3])

另外一种转换 Tensor 的方法，为 torch.FloatTensor(data)

t1 = torch.Tensor(data)

t2 = torch.tensor(data)

t3 = torch.as_tensor(data)

t4 = torch.from_numpy(data)

print(t1)

print(t2)

print(t3)

print(t4)

print(t1.dtype)

print(t2.dtype)

print(t3.dtype)

print(t4.dtype)

‘’'tensor([1., 2., 3.])

tensor([1, 2, 3], dtype=torch.int32)

tensor([1, 2, 3], dtype=torch.int32)

tensor([1, 2, 3], dtype=torch.int32)

torch.float32

torch.int32

torch.int32

torch.int32’‘’

tensor 转化为 numpy 的多维数组

print(t1.numpy())

‘’‘[1. 2. 3.]’‘’

Tensor 和 Numpy 的最大区别在于 Tensor 可以在 GPU 上进行运算。

默认情况下，Tensor 是在 CPU 上进行运算的，如果我们需要一个 Tensor

在 GPU 上的实例，需要运行这个 **Tensor 的.cuda()**方法。

在下面的代码中，首先判断在本机上是否有 GPU 环境可用（有 NVIDIA 的GPU，并安装了驱动）。如果有 GPU 环境可用，那么再去获得张量 x，y 的 GPU 实例。注意在最后打印 x 和 y 这两个 GPU 张量的和的时候，我们调用了.cpu() 方法，意思是将 GPU 张量转化为 CPU 张量，否则系统会报错。

import torch

x = torch.rand(5, 3)

y = torch.ones(5, 3)

if torch.cuda.is_available():

x = x.cuda()

y = y.cuda()

z = x+y

print(z)

print(z.cpu())

‘’'tensor([[1.4453, 1.6272, 1.3072],

[1.9444, 1.2703, 1.8512],

[1.8694, 1.1878, 1.8789],

[1.5737, 1.8825, 1.4636],

[1.8158, 1.9969, 1.8819]], device=‘cuda:0’)

tensor([[1.4453, 1.6272, 1.3072],

[1.9444, 1.2703, 1.8512],

[1.8694, 1.1878, 1.8789],

[1.5737, 1.8825, 1.4636],

[1.8158, 1.9969, 1.8819]])‘’’

三、有关自动微分（Autograd）变量的练习

---

动态运算图(DynamicComputationGraph)是 PyTorch 的最主要特性，它可以让我们的计算模型更灵活、复杂，并可以让反向传播算法随时进行。而反向传播算法就是深度神经网络的核心。

最后

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数初中级Android工程师，想要提升技能，往往是自己摸索成长，自己不成体系的自学效果低效漫长且无助。

因此收集整理了一份《2024年Web前端开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

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，基本涵盖了95%以上Android开发知识点！不论你是刚入门Android开发的新手，还是希望在技术上不断提升的资深开发者，这些资料都将为你打开新的学习之门！

如果你觉得这些内容对你有帮助，需要这份全套学习资料的朋友可以戳我获取！！

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且会持续更新！
片转存中…(img-a2KgFr59-1715794109189)]

[外链图片转存中…(img-jJKrLyUi-1715794109189)]

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，基本涵盖了95%以上Android开发知识点！不论你是刚入门Android开发的新手，还是希望在技术上不断提升的资深开发者，这些资料都将为你打开新的学习之门！

如果你觉得这些内容对你有帮助，需要这份全套学习资料的朋友可以戳我获取！！

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且会持续更新！