- 实验目的
1.安装PyTorch
2.标量、向量、矩阵、Tensor
3.AutoGrad
二、实验环境
（使用的操作系统、编程软件等）
Windows，PyTorch
三、实验内容
（可以包括实验方法、实验数据、实验结果、实验结果分析等）
- 搭建基于PyTorch+OpenCV软件开发平台
（1）、问题描述
使用指令安装PyTorch过程发生报错：
问题解决：
原因是用指令安装PyTorch需要连接外网才可以安装，之后给conda加上镜像网址之后便能够成功安装了
conda config --add channels Index of /anaconda/pkgs/free/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror
（2）、问题描述：
安装OpenCV过程中出现报错：
问题解决：
更新pip安装包之后再将指令放到命令行中就可以安装了。
- 主要功能源码以及分析
（1）、数据操作
代码：
y = x.view(15)
z = x.view(-1, 5) # -1所指的维度可以根据其他维度的值推出来
print(x.size(), y.size(), z.size())
分析：
这段代码使用view（）函数来改变一个tensor的形状，原本x的形状是[5,3]，是一个5行3列的二维张量。第一段代码将x的形状更改成一个1行15列的一维张量；第二段代码利用了一个特殊值-1，在PyTorch中特殊值-1表示该位置的维度大小将根据其他维度的值自动推断得出，第二段指定生成？行5列的形状，系统会自动推断出为3，因此生成一个3行5列的二维张量。
代码：
x = torch.arange(1, 3).view(1, 2)
print(x)
y = torch.arange(1, 4).view(3, 1)
print(y)
print(x + y)
分析：
这段代码中的“print(x+y)”，因为x和y的形状不同，因此PyTorch会首先检查这两个张量是否能进行广播：
对于维度1：x的第一个维度是1，y的第一个维度是3，虽然这两个维度不相同，但是满足
维度不同，其中一个为1这个条件，所以维度1满足；
对于维度2：x的第二个维度是2，y的第二个维度是1，虽然这两个维度不相同，但是满足维度不同，其中一个为1这个条件，所以维度2满足；
因此这两个张量能够进行广播，那么x中第一行的2个元素被广播（复制）到了第二行和第三行，而y中第一列的3个元素被广播（复制）到了第二列，生成一个形状为 3 行 2 列的结果张量，其中每个元素是对应位置 x 和 y 的元素相加的结果。
（2）、自动微分
代码：
x = torch.ones(2, 2, requires_grad=True)
print(x)
print(x.grad_fn)
y = x + 2
print(y)
print(y.grad_fn)
z = y * y * 3
out = z.mean()
print(z, out)
out.backward()
print(x.grad)
分析：
这段代码体现了PyTorch中的自动求导功能，在这些代码中的一系列操作中,可以得出下面这一串表达式：
out=sum [(x+2)^2*3]/4
而代码out.backward()调用了out的backward（）方法，由于out是z的均值因此求导后表达式为：
d(out)/dx=3/2(x+2)
将x=1带入式子，因此输出出来的x.grad为： ｛4.5,4.5
4.5,4.5｝
（3）、线性代数
代码：
A = torch.arange(20, dtype=torch.float32).reshape(5, 4)
A_sum_axis0 = A.sum(axis=0)
A_sum_axis0, A_sum_axis0.shape
分析：
我们使用 .sum(axis=0) 方法对 A 张量的第 0 轴（即行轴）进行求和，得到一个新的张量 A_sum_axis0，该张量的形状为 (4,)，其中每个元素是原始张量 A 中对应列的总和
代码：
A = torch.arange(20, dtype=torch.float32).reshape(5, 4)
- cumsum(axis=0)
分析：
在这段代码中利用到了cumsum（）函数来计算沿着轴0的元素的累计总和，这段代码的输出为中：
A为： tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[12., 13., 14., 15.],
[16., 17., 18., 19.]])
输出的结果为：
tensor([[ 0., 1., 2., 3.],
[ 4., 6., 8., 10.],
[12., 15., 18., 21.],
[24., 28., 32., 36.],
[40., 45., 50., 55.]])
在这个结果中，每个元素都是从原始 tensor A 的相应位置开始，到当前位置（包括当前位置）的所有元素的累积总和。沿着 axis=0 方向，第一行保持不变，第二行是第一行和第二行的元素相加的结果，以此类推。
- 作业以及练习答案
（1）、数据操作
将广播机制中按元素操作的两个 NDArray 替换成其他形状，结果是否和预期一样？
#填写答案，可根据需要将当前Cell的CellType设置为Markdown或继续添加新的Cell
x = torch.arange(1, 4).view(1, 3)
print(x)
y = torch.arange(1, 5).view(4, 1)
print(y)
print(x + y)
输出：
tensor([[1, 2, 3]])
tensor([[1],
[2],
[3],
[4]])
tensor([[2, 3, 4],
[3, 4, 5],
[4, 5, 6],
[5, 6, 7]])
（2）、线性代数基础：
第一题：证明一个矩阵 𝐀的转置的转置是 𝐀，即 (𝐀⊤)⊤=𝐀 。
答案：
A = torch.arange(20, dtype=torch.float32).reshape(5, 4)
A_transpose = A.T
A_transpose_transpose = A_transpose.T
comparison = A_transpose_transpose == A
if comparison.all():
print("(A^T)^T = A 成立")
else:
print("(A^T)^T = A 不成立")
(A^T)^T = A 成立
第二题：给出两个矩阵𝐀和𝐁，证明“它们转置的和”等于“它们和的转置”，即𝐀⊤+𝐁⊤=(𝐀+𝐁)⊤。
答案：
A = torch.tensor([[1, 2], [3, 4]])
B = torch.tensor([[5, 6], [7, 8]])
left_side = A.T + B.T
right_side = (A + B).T
comparison = left_side == right_side
if comparison.all():
print("(A^T + B^T) = (A + B)^T 成立")
else:
print("(A^T + B^T) = (A + B)^T 不成立")
(A^T + B^T) = (A + B)^T 成立
第三题： (1). 对于任意形状的张量X,len(X)是否总是对应于X特定轴的长度?这个轴是什么?
(2). 运行A/A.sum(axis=1)，看看会发生什么。你能分析原因吗？
(3). 考虑一个具有形状(2,3,4)
的张量，在轴0、1、2上的求和输出是什么形状?
（1）是，0轴（0-axis）
（2）会出错，原因在于A为5行4列的矩阵，维度为2，而A.sum(axis=1)则为长度为5的向量，二者无法相除，需要维度一致才会有广播机制
（3）轴0求和——>[3,4]
轴1求和——>[2,4]
轴2求和——>[2,3]
四、实验小结
本次实验是我第一次接触到深入学习中的编程，第一次搭建环境虽然就遇到了一些困难，但是最后也是成功的运行了实验中的案例；实验中的代码虽然不好理解，但是经过上网搜查最后也能加以理解，总之激发了我对这门课程的兴趣。
1591
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
