程序媛养成第0天--pytorch入门学习

本篇基于《深度学习框架-pytorch入门与实践》陈云  

有一起监督学习打卡的小伙伴请私信

 2.2 pytorch入门第一步

2.2.1 Tensor

# 分配矩阵空间但不初始化

#使用 [0-1] 随机初始化二维数组

#使用 初始化全为1的二维数组

#查看形状 ==2种 // 查看某一行某一列的形状

# 加法 ==5种    （1123第一次练习第三四五种出错）

#改变数值的加法 不改变数值的加法

#切片 取一行/一列

# numpy转tensor  

#tensor转numpy  共享内存  只有tensor才可以用add_()函数

#使用cuda

2021.11.25  摸鱼了一天 剑哥刚通知三个小时后检查我学到哪里了 肝！

2.2.2 Autograd 自动微分

深度学习算法的本质是通过反向传播求导数 

autograd.Variable 包含data grad grad_fn三种属性。data存储Tensor, grad储存Tensor的梯度，他们都是Variable。grad_fn指向Function

In [1]: import torch as t

In [2]: import torch.nn as nn

# 参数依次为batch_size, 通道数，长，宽

In [3]: inp = t.ones(1,1,9,9)

# 参数依次为输入通道数，输出通道数，卷积核

In [4]: con1 = nn.Conv2d(1,1,3)

#新增两个参数分别为步长，padding数

In [5]: con2 = nn.Conv2d(1,1,3,2,1)

In [6]: out1 = con1(inp)
[W NNPACK.cpp:79] Could not initialize NNPACK! Reason: Unsupported hardware.

#分析原因：网络问题

In [7]: out1 = con1(inp)

In [8]: out2 = con2(inp)

In [9]: out1.shape
Out[9]: torch.Size([1, 1, 7, 7])

#计算公式  输入（9）+1 - 卷积核数（3）=7

In [10]: out2.shape
Out[10]: torch.Size([1, 1, 5, 5])
#计算公式  输入（9）+padding（1*2） 视为12

12 + 1 - 卷积核数（3） 最后除以二 =5

卷积的本质是 输入和卷积核对应格相乘，然后把这9个积加起来，最后加bias （Wx+b）

maxpooling 是采样 只采最大的 即权重最大 可能为目标的概率最大