【深度学习与NLP】——快速入门Pytorch基本语法

Lingxw_w

已于 2024-08-08 14:07:45 修改

阅读量4.5k

点赞数 18

分类专栏：深度学习与NLP 文章标签： pytorch 人工智能 python

于 2024-08-05 16:42:35 首次发布

本文链接：https://blog.csdn.net/lxwssjszsdnr_/article/details/140926140

版权

深度学习与NLP 专栏收录该内容

11 篇文章 3 订阅

订阅专栏

1.1.4 关于Torch Tensor和Numpy array之间的相互转换

1.1.5 小节总结

1.2 Pytorch中的autograd

Pytorch基本语法

1.1 认识Pytorch

1.1.1 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.

1.1.2 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)

创建一个有初始化的矩阵:

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

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)

直接通过数据创建张量

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

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)

得到张量的尺寸:

print(x.size())

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.

1.1.3 Pytorch的基本运算操作

加法操作:

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

第二种加法方式:

print(torch.add(x, y))

第三种加法方式:

# 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)

第四种加法方式: in-place (原地置换)

y.add_(x)
print(y)

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:
表示选取张量 x 的所有行的第 2 列（索引从 0 开始，所以第 1 列的索引是 1）。

print(x[:, 1])

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())

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())

1.1.4 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)

将Torch Tensor转换为Numpy array

b = a.numpy()
print(b)

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)

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)

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)

1.1.5 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

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.

1.2.1 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.

1.2.2 关于Tensor的操作

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

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

在具有requires_grad=True的Tensor上执行一个加法操作

y = x + 2
print(y)

打印Tensor的grad_fn属性:

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

在Tensor上执行更复杂的操作:

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

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)

1.2.3 关于梯度Gradients

在Pytorch中, 反向传播是依靠.backward()实现的.

out.backward()
print(x.grad)

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)

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())

1.2.4 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.