pytorch常用函数详解

1. torch.normal(mean, std, size)

是 PyTorch 库中的一个函数，用于生成服从正态分布的随机数张量。

参数：

mean：正态分布的均值（标量或与 std 形状相同的张量）
std：正态分布的标准差（标量或与 mean 形状相同的张量）
size：生成张量的形状
返回值：

生成一个形状为 size 的张量，其中的元素服从均值为 mean、标准差为 std 的正态分布。

X = torch.normal(0, 1, (3, 4))
X

输出

tensor([[-0.4956, -0.0314,  0.2582, -0.7087],
        [-0.1559, -1.0313,  1.0450,  0.0574],
        [-1.4880, -0.4843,  1.4594,  0.1650]])

PyTorch中的两个张量的乘法可以分为两种：

2. torch.matmul(input, other, out = None)

是 PyTorch 库中的一个函数，用于计算两个张量的矩阵乘法。

参数：
input：要进行矩阵乘法的第一个张量。
other：要进行矩阵乘法的第二个张量。

返回值：
返回一个张量，表示两个输入张量的矩阵乘法结果。

要注意的是，两个输入张量必须满足矩阵乘法的规则，即第一个张量的列数必须等于第二个张量的行数。

import torch

A = torch.tensor([[1, 2], [3, 4]])
B = torch.tensor([[5, 6], [7, 8]])

result = torch.matmul(A, B)
print(result)

输出

tensor([[19, 22],
        [43, 50]])

3. torch.mul(input, other, out = None)

是 PyTorch 库中的一个函数，用于对两个张量逐元素进行相乘（element-wise multiplication）。或者*运算符）实现

参数：
input：要进行相乘的第一个张量。
other：要进行相乘的第二个张量。

返回值：
返回一个张量，表示两个输入张量逐元素相乘的结果。
要求两个输入张量的形状必须相同，或者其中一个张量是标量（只有一个元素）。

import torch

A = torch.tensor([[1, 2], [3, 4]])
B = torch.tensor([[5, 6], [7, 8]])

result = torch.mul(A, B)
print(result)

输出

tensor([[ 5, 12],
        [21, 32]])

4.单层网络架构

这一单层被称为全连接层（fully-connected layer）， 因为它的每一个输入都通过矩阵-向量乘法得到它的每个输出。
全连接层在Linear类中定义。 值得注意的是，我们将两个参数传递到nn.Linear中。 第一个指定输入特征形状，即2，第二个指定输出特征形状，输出特征形状为单个标量，因此为1。

# nn是神经网络的缩写
from torch import nn
net = nn.Sequential(nn.Linear(2,1))

正如我们在构造nn.Linear时指定输入和输出尺寸一样， 现在我们能直接访问参数以设定它们的初始值。 我们通过net[0]选择网络中的第一个图层， 然后使用weight.data和bias.data方法访问参数。 我们还可以使用替换方法normal_和fill_来重写参数值。

weight.data 和 bias.data 是 PyTorch 中用于访问张量参数数据的属性。它们提供了对模型的权重和偏置参数数据的直接访问，而不包括梯度信息或自动求导关系。

net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)

5. net.parameters()

是一个函数，用于返回神经网络模型 net 中的可学习参数（即需要更新的参数）。

具体来说，net.parameters() 返回一个迭代器，通过遍历这个迭代器，可以获取模型中的每个可学习参数。每个参数都表示为一个 torch.Tensor 对象，其中包含参数的数据和梯度信息。

from torch import nn

net = nn.Sequential(
    nn.Linear(2, 1)
)

# 遍历模型中的可学习参数
for param in net.parameters():
    print(param)

6. transforms.ToTensor()

是 torchvision 中的一个变换操作，用于将 PIL 图像或 NumPy 数组转换为 PyTorch 的 Tensor 对象。

具体来说，transforms.ToTensor() 将输入的图像或数组按照通道顺序转换为浮点类型的 Tensor，并将像素值归一化到 [0, 1] 范围内。

7. X.reshape((-1, W.shape[0]))

将输入数据 X 进行形状变换，将其转化为二维张量，其中第一维的大小自动推断为与权重矩阵 W 的行数相同。这样做是为了确保可以进行矩阵乘法运算。

8. isinstance()

是一个 Python 内置函数，用于检查一个对象是否属于指定的类型或类的实例。

9.