Pytorch入门与实践——快速入门

最新推荐文章于 2024-07-09 08:56:16 发布

我不理解额

最新推荐文章于 2024-07-09 08:56:16 发布

阅读量572

点赞数

分类专栏： Pytoch入门与实践文章标签： Pytoch入门与实践

本文链接：https://blog.csdn.net/Yoiker/article/details/90340241

版权

本文介绍了Pytorch的基本操作，包括Tensor的创建、加法、选取操作和与numpy的交互。接着展示了如何进行自动微分，利用Variable进行反向传播计算梯度。还通过实例解释了如何构建神经网络，包括卷积层、全连接层和优化器的使用。最后，通过CIFAR-10数据集展示了训练和测试神经网络的过程。

摘要由CSDN通过智能技术生成

import torch as t
import numpy as np
import torch.nn as nn
import torch.nn.functional as F

from torch.autograd import Variable
import torch.optim as optim
import matplotlib.pyplot as plt

x = t.Tensor(3, 2)
y = t.rand(5, 3)
z = t.rand(5, 3)
# print(x, y, z)\
# result = t.Tensor(5, 3)  #使用t.add(x,y,out=z)时，这里需要预先分配空间， 注意是t.Tensor 而不是t.tensor
# t.add(y,z, out=result)
# # print(x.size(), z+y, z.add(y), t.add(y,z))
# print(result)

# print(y)
# y.add(z) #普通加法，不改变y的内容；会返回一个新的Tensor，而y不变
# print(y)
#
# y.add_(z) #inplace加法，改变y的内容；函数名后面带下划线_的函数会修改Tensor本身
# print(y)

#Tensor的选取操作与numpy类似
# print(x, x[:,1])

#Tensor和numpy的数组之间的互操作
# a = t.ones(5)  #新建一个全是1的Tensor
# print(a)
# b = a.numpy() #Tensor -> Numpy
# print(b)

# a = np.ones(5)
# b = t.from_numpy(a) #Numpy -> Tensor
# print (a , b)
# #Tensor 和Numpy对象共享内存，一个改变，另外一个随之改变
# b.add_(1)
# print(a, b) #Tensor和Numpy共享内存，一变俱变

# #Tensor可通过.cuda方法转为GPU的Tensor
# if t.cuda.is_available():
#     x = x.cuda()
#     y = y.cuda()
#     print(x+y)
#
# #=======================================================
# #Autograde:自动微分
# #Tensor在被封装为Variable之后，可以调用它的.backward实现反向传播，自动计算所有梯度
# from torch.autograd import Variable
# x = Variable(t.ones(2, 2), requires_grad = True)
# y = x.sum()
# print(y.grad_fn)  #grad_fn指向一个Function对象，其用来反向传播计算输入的梯度
# y.backward()
# x.grad.data.zero_()  #grad在反向传播过程中是累加的，所以反向传播之前需要把梯度清零
# y.backward()
# print(x.grad)
#
# #Variable和Tensor具有近乎一致的接口，在实际使用中可以无缝切换
# y = t.cos(x)
# x_tensor_cos = t.cos(x.data)
# print(y, x_tensor_cos)

#2.2.3 神经网络
#定义网络，需要继承nn.Module，并实现它的forwar