1. Pytorch的基本语法

GCTTTTTT

已于 2022-11-21 21:05:50 修改

阅读量1.9k

点赞数 5

分类专栏： nlp 文章标签： pytorch python 深度学习 numpy 自然语言处理

于 2022-10-27 21:40:40 首次发布

本文链接：https://blog.csdn.net/GCTTTTTT/article/details/127560463

版权

nlp 专栏收录该内容

8 篇文章 2 订阅

订阅专栏

文章目录

1.1 认识Pytorch
1.2 Pytorch中的autograd

1.1 认识Pytorch

学习目标

了解什么是Pytorch.
掌握Pytorch的基本元素操作.
掌握Pytorch的基本运算操作.

什么是Pytorch

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.

Pytorch的基本元素操作

Tensors张量: 张量的概念类似于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.
我们使用Pytorch的时候, 常规步骤是先将torch引用进来, 如下所示:

from __future__ import print_function
import torch

创建矩阵的操作

创建一个没有初始化的矩阵:

x = torch.empty(5, 3)
print(x)

– 输出结果:

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矩阵:

x = torch.rand(5, 3)
print(x)

– 输出结果:

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.

创建一个全零矩阵并可指定数据元素的类型为long

x = torch.zeros(5, 3, dtype=torch.long)
print(x)

– 输出结果:

tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])

直接通过数据创建张量

x = torch.tensor([2.5, 3.5])
print(x)

– 输出结果:

tensor([2.5000, 3.3000])

通过已有的一个张量创建相同尺寸的新张量

# 利用news_methods方法得到一个张量
x = x.new_ones(5, 3, dtype=torch.double)
print(x)

# 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)

– 输出结果:

tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)

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]])

得到张量的尺寸:

print(x.size())

– 输出结果:

torch.Size([5, 3])

注意:
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.

Pytorch的基本运算操作

加法操作:

y = torch.rand(5, 3)
print(x + y)

输出结果:

tensor([[ 1.6978, -1.6979,  0.3093],
        [ 0.4953,  0.3954,  0.0595],
        [-0.9540,  0.3353,  0.1251],
        [ 0.6883,  0.9775,  1.1764],
        [ 2.6784,  0.1209,  1.5542]])

第二种加法方式:torch.add(x, y)

print(torch.add(x, y))

输出结果:

tensor([[ 1.6978, -1.6979,  0.3093],
        [ 0.4953,  0.3954,  0.0595],
        [-0.9540,  0.3353,  0.1251],
        [ 0.6883,  0.9775,  1.1764],
        [ 2.6784,  0.1209,  1.5542]])

第三种加法方式:torch.add(x, y, out=result)

# 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)

输出结果:

tensor([[ 1.6978, -1.6979,  0.3093],
        [ 0.4953,  0.3954,  0.0595],
        [-0.9540,  0.3353,  0.1251],
        [ 0.6883,  0.9775,  1.1764],
        [ 2.6784,  0.1209,  1.5542]])

第四种加法方式: in-place (原地置换)

y.add_(x) # 执行的功能是y = y+x
print(y)

输出结果:

tensor([[ 1.6978, -1.6979,  0.3093],
        [ 0.4953,  0.3954,  0.0595],
        [-0.9540,  0.3353,  0.1251],
        [ 0.6883,  0.9775,  1.1764],
        [ 2.6784,  0.1209,  1.5542]])

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.**

用类似于Numpy的方式对张量进行操作:

print(x[:, 1])

解释：
python print(x[:, 1]) # 冒号代表取所有的行 ",1"代表取第一列
print(x[:,:3]) # 打印所有行、 0-2列
print(x[:,:2]) # 打印所有行、 0-1列

输出结果:

tensor([-2.0902, -0.4489, -0.1441,  0.8035, -0.8341])

改变张量的形状: torch.view()

x = torch.randn(4, 4)
# tensor.view()操作需要保证数据元素的总数量不变
y = x.view(16)
# -1代表自动匹配个数
z = x.view(-1, 8)
print(x.size(), y.size(), z.size())

输出结果:

torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

详细注释版代码：

# 改变张量的形状: torch.view() x = torch.randn(4, 4)
# tensor.view()操作需要保证数据元素的总数量不变 
y = x.view(16) # 只有一行的张量
# -1代表自动匹配
# （-1,8） ：第一个数代表行，第二个数代表列
# （-1,8） 代表 行 自动匹配（-1），列有8行 所以行自动匹配出来有两行（4*4/8)
# 需要保证数据元素的总数量不变 且要能“整除” 
z = x.view(-1, 8) 
y2 = x.view(16,-1) # 代表 列 自动匹配（-1），行有16行 所以列自动匹配出来有1列（4*4/16) 
print(y) 
print(y2) 
print(x.size(),y.size(), z.size(),y2.size()) ```

输出结果：

tensor([-1.2186, -0.7919,  0.0411, -0.4893, -0.4517, 0.0588,  0.5275, -0.5617, 2.1183,  1.3618, -0.3788,  0.9497, -0.4051,  0.2710,  0.9537, -1.6315]) 
tensor([[-1.2186],
        [-0.7919],
        [ 0.0411],
        [-0.4893],
        [-0.4517],
        [ 0.0588],
        [ 0.5275],
        [-0.5617],
        [ 2.1183],
        [ 1.3618],
        [-0.3788],
        [ 0.9497],
        [-0.4051],
        [ 0.2710],
        [ 0.9537],
        [-1.6315]]) 
        torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8]) torch.Size([16, 1]) ```

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

x = torch.randn(1)
print(x)
print(x.item())

输出结果:

tensor([-0.3531])
-0.3530771732330322

关于Torch Tensor和Numpy array之间的相互转换

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.

a = torch.ones(5)
print(a)

输出结果:

python tensor([1., 1., 1., 1., 1.])

将Torch Tensor转换为Numpy array

b = a.numpy()
print(b)

输出结果:
[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)
print(b)

输出结果:

tensor([2., 2., 2., 2., 2.]) 
 [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)
np.add(a, 1, out=a)
print(a)
print(b)

输出结果:

 [2. 2. 2. 2. 2.]
 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.

关于Cuda Tensor: Tensors可以用.to()方法来将其移动到任意设备上.

# 如果服务器上已经安装了GPU和CUDA
if torch.cuda.is_available():
    # 定义一个设备对象, 这里指定成CUDA, 即使用GPU
    device = torch.device("cuda")
    # 直接在GPU上创建一个Tensor
    y = torch.ones_like(x, device=device)
    # 将在CPU上面的x张量移动到GPU上面
    x = x.to(device)
    # x和y都在GPU上面, 才能支持加法运算
    z = x + y
    # 此处的张量z在GPU上面
    print(z)
    # 也可以将z转移到CPU上面, 并同时指定张量元素的数据类型
    print(z.to("cpu", torch.double))

输出结果:

tensor([0.6469], device='cuda:0') tensor([0.6469],
dtype=torch.float64)

小节总结

学习了什么是Pytorch.
– Pytorch是一个基于Numpy的科学计算包, 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.
学习了Pytorch的基本元素操作.
– 矩阵的初始化:
---- torch.empty()
---- torch.rand(n, m)
---- torch.zeros(n, m, dtype=torch.long)
– 其他若干操作:
---- x.new_ones(n, m, dtype=torch.double)
---- torch.randn_like(x, dtype=torch.float)
---- x.size()
学习了Pytorch的基本运算操作.
– 加法操作:
---- x + y
---- torch.add(x, y)
---- torch.add(x, y, out=result)
---- y.add_(x)
– 其他若干操作:
---- x.view()
---- x.item()
学习了Torch Tensor和Numpy Array之间的相互转换.
– 将Torch Tensor转换为Numpy Array:
---- b = a.numpy()
– 将Numpy Array转换为Torch Tensor:
---- b = torch.from_numpy(a)
– 注意: 所有才CPU上的Tensor, 除了CharTensor, 都可以转换为Numpy Array并可以反向转换.
学习了任意的Tensors可以用.to()方法来将其移动到任意设备上.
– x = x.to(device)

1.2 Pytorch中的autograd

学习目标

掌握自动求导中的Tensor概念和操作.
掌握自动求导中的梯度Gradients概念和操作.
在整个Pytorch框架中, 所有的神经网络本质上都是一个autograd package(自动求导工具包)
– autograd package提供了一个对Tensors上所有的操作进行自动微分的功能.

关于torch.Tensor

torch.Tensor是整个package中的核心类, 如果将属性.requires_grad设置为True, 它将追踪在这个类上定义的所有操作. 当代码要进行反向传播的时候, 直接调用.backward()就可以自动计算所有的梯度. 在这个Tensor上的所有梯度将被累加进属性.grad中.
如果想终止一个Tensor在计算图中的追踪回溯, 只需要执行.detach()就可以将该Tensor从计算图中撤下, 在未来的回溯计算中也不会再计算该Tensor.
除了.detach(), 如果想终止对计算图的回溯, 也就是不再进行方向传播求导数的过程, 也可以采用代码块的方式with torch.no_grad():, 这种方式非常适用于对模型进行预测的时候, 因为预测阶段不再需要对梯度进行计算.

关于torch.Function：

Function类是和Tensor类同等重要的一个核心类, 它和Tensor共同构建了一个完整的类, 每一个Tensor拥有一个.grad_fn属性, 代表引用了哪个具体的Function创建了该Tensor.
如果某个张量Tensor是用户自定义的, 则其对应的grad_fn is None.

关于Tensor的操作

x1 = torch.ones(3, 3)
print(x1)

x = torch.ones(2, 2, requires_grad=True)
print(x)

输出结果:

tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])

tensor([[1., 1.],
        [1., 1.]], requires_grad=True)

在具有requires_grad=True的Tensor上执行一个加法操作

y = x + 2
print(y)

输出结果:

tensor([[3., 3.],
        [3., 3.]], grad_fn=<AddBackward0>)

打印Tensor的grad_fn属性:

print(x.grad_fn)
print(y.grad_fn)

输出结果:

None
<AddBackward0 object at 0x10db11208>

在Tensor上执行更复杂的操作:

z = y * y * 3
out = z.mean()
print(z, out)

输出结果:

tensor([[27., 27.],
        [27., 27.]], grad_fn=<MulBackward0>) tensor(27., grad_fn=<MeanBackward0>)

关于方法.requires_grad_(): 该方法可以原地改变Tensor的属性.requires_grad的值. 如果没有主动设定默认为False.

a = torch.randn(2, 2)
a = ((a * 3) / (a - 1))
print(a.requires_grad)
a.requires_grad_(True)
print(a.requires_grad)
b = (a * a).sum()
print(b.grad_fn)

输出结果:

False
True
<SumBackward0 object at 0x7f191afd6be0>

关于梯度Gradients

在Pytorch中, 反向传播是依靠.backward()实现的.

out.backward()
print(x.grad)

输出结果:

tensor([[4.5000, 4.5000],
        [4.5000, 4.5000]])

关于自动求导的属性设置: 可以通过设置.requires_grad=True来执行自动求导, 也可以通过代码块的限制来停止自动求导.

print(x.requires_grad)
print((x ** 2).requires_grad)

with torch.no_grad():
    print((x ** 2).requires_grad)

输出结果:

True
True
False

可以通过.detach()获得一个新的Tensor, 拥有相同的内容但不需要自动求导.

print(x.requires_grad)
y = x.detach()
print(y.requires_grad)
print(x.eq(y).all())

输出结果:

True
False
tensor(True)

小节总结

学习了torch.Tensor类的相关概念.
– torch.Tensor是整个package中的核心类, 如果将属性.requires_grad设置为True, 它将追踪在这个类上定义的所有操作. 当代码要进行反向传播的时候, 直接调用.backward()就可以自动计算所有的梯度. 在这个Tensor上的所有梯度将被累加进属性.grad中.
– 执行.detach()命令, 可以将该Tensor从计算图中撤下, 在未来的回溯计算中不会再计算该Tensor.
– 采用代码块的方式也可以终止对计算图的回溯:
---- with torch.no_grad():
学习了关于Tensor的若干操作:
– torch.ones(n, n, requires_grad=True)
– x.grad_fn
– a.requires_grad_(True)
学习了关于Gradients的属性:
– x.grad
– 可以通过.detach()获得一个新的Tensor, 拥有相同的内容但不需要自动求导.