龙良曲pytorch基础课程学习笔记

什么是Pytorch?

PyTorch 是一个基于 Python 的科学计算包，主要定位两类人群：

• NumPy 的替代品，可以利用 GPU 的性能进行计算
• 深度学习研究平台拥有足够的灵活性和速度

初步了解

tensor对象

在 TensorFlow 中，数据不是以整数，浮点数或者字符串形式存在的，而是被封装在一个叫做 tensor 的对象中。Tensor是张量的意思，张量包含了0到任意维度的量，其中，0维的叫做常数，1维的叫做向量，二维叫做矩阵，多维度的就直接叫张量。

举例：print(x[: ，1]) 输出结果如下：

tensor([ 0.4477, -0.0048,  1.0878, -0.2174,  1.3609])

常用方法

item()：如果有一个元素 tensor ，可使用 .item() 来获得这个 value

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

tensor([ 0.9422])
0.9422121644020081

**view()：**view()函数作用是将一个多行的Tensor拼接成一行
举例：

import torch
a = torch.Tensor(2,3)
print(a)
# tensor([[0.0000, 0.0000, 0.0000],
#    [0.0000, 0.0000, 0.0000]])
 
print(a.view(1,-1))
tensor([[0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000]））      

pytorch神经网络

相关函数说明

神经网络可以通过 torch.nn 包来构建。
神经网络是基于自动梯度 (autograd)来定义一些模型。一个 nn.Module 包括层和一个方法 forward(input) 它会返回输出(output)。

主要方法解释
nn.conv2d()：对由多个输入平面组成的输入信号进行二维卷积
参数理解：
in_channels:
1）输入通道数，对于图片层一般为1（灰度）3（RGB）
2）定义一种输入规则，要求上一层的输出必须和这个输入一致，也可以理解为并发in_channels个channel在上一层
out_channels:
1)直观理解是输出层通道数，
2)换一种理解是kernels（卷积核）/filter个数，其中，每个卷积核会输出局部特征

layer = nn.Conv2d(in_channels=1,out_channels=3,kernel_size=3,stride=1,padding=0)

具体可以参考博文：链接入口

人工神经网络举例

定义了Net类，过程：conv1->max_pool->conv2->fc1->reLU()->fc2->reLU()->fc3

import torch
import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):

    def __init__(self):
        super(Net, self).__init__()
        # 1 input image channel, 6 output channels, 5x5 square convolution
        # kernel
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.conv2 = nn.Conv2d(6, 16, 5)
        # an affine operation: y = Wx + b
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        # Max pooling over a (2, 2) window
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
        # If the size is a square you can only specify a single number
        x = F.max_pool2d(F.relu(self.conv2(x)), 2)
        x = x.view(-1, self.num_flat_features(x))
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

    def num_flat_features(self, x):
        size = x.size()[1:]  # all dimensions except the batch dimension
        num_features = 1
        for s in size:
            num_features *= s
        return num_features

net = Net()
print(net)

输出结果：

Net(
  (conv1): Conv2d(1, 6, kernel_size=(