PyTorch框架：（1）基本处理操作

最新推荐文章于 2023-01-30 10:02:57 发布
最新推荐文章于 2023-01-30 10:02:57 发布
阅读量414 收藏 6
点赞数 1
分类专栏： Machine Learning 文章标签： pytorch 神经网络 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_37957160/article/details/120455082
版权
本文是PyTorch框架的基础教程，介绍了PyTorch的安装、基本使用方法，特别是自动求导机制。通过实例展示了如何进行线性回归的CPU和GPU训练。还探讨了tensor格式和PyTorch的hub模块，提供了调用预训练模型的便捷方式。
摘要由CSDN通过智能技术生成

目录

1、PyTorch框架介绍

2、安装Pytorch

2.1、CPU版本的安装命令：

2.2、GPU版本的安装命令：

2.2.1、安装CUDA

3、基本使用方法

 4、Pytorch中的自动求导机制

4.1、例子： 

 ​

 4.2、做一个线性回归试试水

4.2.1、CPU训练版本

  4.2.1、GPU训练版本

5、常见tensor格式

 6、Pytorch中非常强大的模块：hub模块

 6.1、Pytorch hub模块官网：

  6.2、Pytorch hub 的github 站点：

 6.3、演示

1、PyTorch框架介绍

        Torch其实跟Tensorflow中的Tensor是一个意思，当做是能在GPU中计算的矩阵就可以啦。
意思就是现在我们有了一批数据，无论你是图像数据还是文本数据，我们都需要把数据转化成一个矩阵，接下来在建模过程当中，我们就是要对这些数据做各种各样的变换，这一些流程做完之后，得到我们想要达到的结果。PYtorch其实做了这样一些事情，他把我们所有矩阵需要计算的东西，统统的传入到GPU当中，因为GPU当中做矩阵运算比较快，GPU当中帮我们实现了所有的计算功能，整体的一个计算，从前向传播到反向传播，有可能涉及到的非常复杂的计算，这些计算统统框架都帮我们实现了，我们要去做的就是去设计整个的网络流程，整个的架构就可以了，所以说深度学习框架说白了就是一个计算的工具，帮我们实现由前到后整体的计算过程。

2、安装Pytorch

官网：PyTorch

使用pip的安装方法比较简单

2.1、CPU版本的安装命令：

pip3 install torch torchvis
了解本专栏 订阅专栏 解锁全文 超级会员免费看
Upupup6
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
Keras神经网络层学习
一摩尔自由的博客
08-21 739
Keras有两种类型的模型，序贯模型（Sequential）和函数式模型（Model），函数式模型应用更为广泛，序贯模型是函数式模型的一种特殊情况。 a）序贯模型（Sequential):单输入单输出，一条路通到底，层与层之间只有相邻关系，没有跨层连接。这种模型编译速度快，操作也比较简单 b）函数式模型（Model）：多输入多输出，层与层之间任意连接。这种模型编译速度慢。 Ke...
使用Pytorch框架
TuringQi
04-16 499
Deeplizard-Pytorch课程笔记
Pytorch实战（一）
造未来
04-10 694
学习记录一下 torchvision.transforms.ToTensor 对于一个图片img，调用ToTensor转化成张量的形式，发生的不是将图片的RGB三维信道矩阵变成tensor 图片在内存中以bytes的形式存储，转化过程的步骤是： img.tobytes()将图片转化成内存中的存储格式 torch.BytesStorage.frombuffer(img.tobytes(...
[深度学习][pytorch]pytorch实现一个简单得线性回归模型并训练
FL1623863129的博客
10-30 619
optimizer = torch.optim.SGD(model.parameters(),lr=learning_rate) #优化器 模型的参数 学习率。self.linear = nn.Linear(input_dim, output_dim) #全连接层 给定输入/出数据的维度。x 给的是从 0 - 10 一共11个数(11行1列的矩阵) 对应的y就是 1 - 21 也是11个数(11行1列的矩阵)out = self.linear(x)#走全连接层 输入x，得到输出out。
Keras深度学习笔记 实现单变量线性回归
imxlw00的专栏
11-21 182
线性回归问题，创建了100个离散点，然后用一条直线去拟合它们。 导入模块 import matplotlib.pyplot as plt import numpy as np from keras.models import Sequential from keras.layers import Dense 创建数据 随机指定100个点，数据范围是 0 到 1，数据本身的分布为 y = 0.1 * x + 0.2，并且我们加入了一些噪声点。 x_data=np.random.rand(100) noi
PyTorch框架基本处理操作
最新发布
03-31
下面是PyTorch框架中一些基本的处理操作： 1. 张量创建：PyTorch中的基本数据结构是张量，可以使用torch.Tensor()函数创建一个张量对象。例如，可以使用torch.Tensor([[1, 2], [3, 4]])创建一个2x2的张量。 2. ...
PyTorch：深度学习的革命性框架.zip
03-12
2. Tensor操作：PyTorch中的Tensor是其基本数据结构，类似于NumPy数组。它支持大量的数学运算，并且可以无缝地在CPU和GPU之间迁移，便于进行高效的并行计算。 3. 自动梯度：PyTorch的自动梯度系统（Autograd）负责...
PyTorch 基础：Tensor（张量）-谢TS的博客.pdf
07-17
在PyTorch中，Tensor（张量）是其核心数据结构，它被广泛用于构建和训练深度学习模型。PyTorch是由Facebook开发的开源深度学习框架，它支持CPU和GPU加速...理解和熟练掌握Tensor的使用，是深入学习PyTorch框架的基础。
理解optimizer.zero_grad(), loss.backward(), optimizer.step()的作用及原理
热门推荐
PanYHHH的博客
07-16 8万+
在使用pytorch训练模型时，经常可以在迭代的过程中看到optimizer.zero_grad(),loss.backward()和optimizer.step()三行代码依次出现，比如： model = MyModel() criterion = nn.CrossEntropyLoss() optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9, weight_decay=1e-4) for epoch in r
PyTorch中model.zero_grad()和optimizer.zero_grad()用法
09-16
主要介绍了PyTorch中model.zero_grad()和optimizer.zero_grad()用法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
梯度值与参数更新optimizer.zero_grad(),loss.backward、和optimizer.step()、lr_scheduler.step原理解析
智市科技博客
11-30 6797
在用pytorch训练模型时，通常会在遍历epochs的过程中依次用到optimizer.zero_grad(),loss.backward、和optimizer.step()、lr_scheduler.step()四个函数，使用如下所示： train_loader=DataLoader( train_dataset, batch_size=2, shuffle=True ) model=myModel() criterion=nn.CrossEntropyLoss()
super(LinearNet,self).__init__()是什么意思
sujixian1995的博客
03-19 1622
https://blog.csdn.net/zyh19980527/article/details/107206483/
pythorch 学习小记
Brassica_的菜园
11-28 4068
大多数的代码都来自https://morvanzhou.github.io/tutorials/machine-learning/torch 只是自己入门pytorch随便记得东西，然后随手扔上来（markdown都不用了，懒懒懒 tensor： import torch data = [[1,2], [3,4]] tensor = torch.FloatTensor(data)
optimizer.zero_grad和model.zero_grad有啥区别？
My Blogssssssssss~~~
01-10 1442
在看别人的优秀代码时（`pytorch`框架下），经常发现有人习惯用`optimizer.zero_grad`，有人习惯用`model.zero_grad` （这里的model指的是自定义的网络，命名为model，泛指自定义的网络），那么这两个有什么区别吗？其中某个有什么优势吗？什么情况下使用哪个更合理呢，还是说他们之间没有任何区别，随意使用就ok呢？这篇博客就来探究下。
pytorch实现简单的线性回归模型
Marlene_Jiang的博客
02-16 913
import numpy as np import random import matplotlib.pyplot as plt x = np.arange(20) y = np.array([5*x[i]+random.randint(1,20) for i in range(len(x))]) print("产生的X：",x) print("产生的y：",y) plt.plot(x,y,"r.") 产生的X： [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 1.
深度学习必备框架：7步轻松搞定 Pytorch 基础！
CSDN_224022的博客
01-30 2643
接下来我们定义网络结构，由于是图像分类任务，因此我们的节点维度使用逐步降低的定义。nn.Flatten(), # 将维度转换为二维nn.Linear(784, 256), # 全连接层nn.ReLU(), # 激活函数nn.Linear(256, 10) # 全连接层。
Python类中self参数 / __ init__ ()方法 /super(Model, self).__init__()是什么
Toby的博客
07-20 5117
在使用tensorFlow2搭建神经网络模型的时候，除了Sequential的方法，还有就是自己写模型class，然后初始化。自己写模型类的优势就是可以自定义层与层之间的连接关系，自定义数据流x的流向。 这是为鸢尾花数据做的一个简单基础的神经网络模型代码： class IrisModel(Model): #继承TF的Model类 def __init__(self): #在这里定义网络结构块 super(IrisModel, self).__init__() s
pytorch入门——线性回归
lzay的博客
08-03 372
单纯的数据分析找工作可以，但是想要进阶一定要找一个方向，在之前的时候选择了推荐系统，但是在新公司对NLP更侧重，所以决定先学深度学习，这就面临选择框架，之前了解到Tensorflow，但是构建复杂，所以选择了Pytorch，先简单的做出这样的例子，有好多细节，需要慢慢理解。 构造一组输入数据X和其对应的标签y import numpy as np x_values = [i for i in range(11)] x_train = np.array(x_values, dtype=np.float32)
Pytorch介绍与基本使用
weixin_64338372的博客
01-04 4246
Pytorch介绍与基本使用
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Upupup6

写手不易请留下你的打赏鼓励谢谢

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值