【PyTorch练习】tensor的一般计算；定义新的 Autograd 函数；设计一个CNN网络(附详细步骤解释)

【PyTorch练习】tensor的一般计算；定义新的 Autograd 函数

参考网站：PyTorch官方文档：https://pytorch.apachecn.org/#/docs/1.7/11

在看完文档之后，我们会觉得，虽然明白了，但是缺乏练习很容易忘记，因此做自己设计了一些练习来加深记忆，可以自己做下这些题目，做完基本也完全记住语法了，是很好的学习的手段，毕竟看了懂了和动手实践了，是两件事情。之后复习的时候，这些练习题也是很好的东西。（还给出了参考答案帮助复习，很贴心了是不是~）

tensor的一般操作

（1）输入为一个3*3的矩阵，这个矩阵需要先从一个列表开始变成tensor的形式，然后将这个tensor重写成为一个随机的tensor，之后利用形状的方式生成一个3 *3的矩阵，把这个矩阵利用矩阵乘法对于自身进行运算之后，叠到第一个矩阵后面

a = [[1,2,3],[2,3,5],[4,2,7]]
a = torch.tensor(a)
a = torch.rand_like(a,dtype = torch.float)
b = torch.rand((3,3,))
b = b @ b.T # b.matmul(b.T)
c = torch.cat([a,b],dim=1)

（2）输入为一个4* 4的矩阵，这个矩阵需要先从一个列表开始变成tensor的形式，然后将这个tensor重写成为一个全为1的tensor，之后使用直接定义形状的方式，建立一个4*4的随机张量，查看矩阵的数据类型，形状，存储方式等参数，和第一个tensor做乘法之后，完成张量转化到GPU运行

a = [[1,2,3,4],[5,2,1,8],[2,1,9,10],[3,2,1,6]]
a = torch.tensor(a)
a = torch.ones_like(a)
b = torch.rand((4,4))
print(b.dtype)
print(b.shape)
print(b.device)
b = b*a  # b.mul(b)
if torch.cuda.is_available():
    b = b.to("cuda")

重新定义Autograd完成计算

（3）自己定义一个函数（建议定义选自网络中有关的，比如和sigmoid函数），写一个类继承autograd中的函数方法，在类的内部重写函数的正向和反向传播（其实就是函数本身和函数的导数），应用这个类，完成用sigmoid和多项式的形式，对一个序列的拟合（这里是一个年份x和报废的情况，1为损坏，最后可以根据使用年限给出报废的概率）

这里的小提示就是，和变量有关的计算，要用torch.下面的，和math无关，不能混在一起的，还有变量也需要在同一个device和dtype下面一起运算（但是在初始化数据的时候可以用math来指定，这个是两个层面的事情）

import torch

# 基本都是固定的语法，定义好之后，torch框架可以帮助自动计算
class sigmoid(torch.autograd.Function):
    @staticmethod
    def forward(ctx,input):
        ctx.save_for_backward(input)
        return 1/(1+torch.exp(-input))
    
    @staticmethod
    def backward(ctx,grad_output):
        input, = ctx.saved_tensors