pytorch使用筆記

1、基礎語法

1、torch.empty(5,3) # 創建全零矩陣（值小但不爲零）
  
2、torch.rand(5,3) # 創建隨機值矩陣
   rand初始化矩阵元素的值为一个均匀分布，而randn遵循标准正态分布。
3、torch.zeros(5,3) # 全零矩陣

4、torch.tensor([1.1, 2.2, 3.3]) # 直接轉化成矩陣
   构造一个2行5列元素大小从1到10的矩阵： torch.tensor(range(10).reshape(2,5))

5、x= x.new_ones(5,3, dtype=torch.double)

6、x= torch.randn_like(x, dtype = torch.float)

6、torch.int(low=1, high=3, size=[3, 4]) # 元素值为1到3，形状为3行4列

7、矩陣維度size：x.size()
   获取最后一个维度： x.size(-1)

7、获取阶数：x.dim()

7、获取最大值：x.max()
   获取最小值：x.min()

7、转置：x.t()或x.transpose()
   （1）二阶为转置，当超过二阶时，需要传入参数，如x.transpose(1,0)
   （2）当需要三个都改变时，可用x.permute(),不传参数时，默认为x.permute(0,1,2)   

8、矩陣加法：torch(a,b)或者a+b

9、索引：如x[:, 1] 表示第一列
   获取1行3列的值： x[1,3]
   对第1行第3列赋值：x[1, 3]=1

10、view改變矩陣維度
    x = torch.randn(4,4)
    y = x.view(16)
    z = x.view(-1, 8)

11、转化成张量 x = torch.tensor([[1.8]])
    张量,获取数值：y = x.item()

12、转化成数组： x.numpy()

13、指定数据类型：torch.tensor([1,2], dtype=tensor.int32);
    获取数据类型：tensor.dtype
    数据类型的转换：x.int() x.long()

14、使用GPU
    device = torch.device('cuda:0' if torch.cuda.is_available else 'cpu')
    zeroV = torch.zeros([3,5],device = device)
    或者使用to
    a.to(device)

手写实现线性回归：

import torch
learning_rate = 0.1
# y = 0.5x + 0.8
# 初始化输入输出
x = torch.rand([500, 1], dtype=torch.float)
y_true = x * 0.5 + 0.8

# 初始化权重w和偏置值b，并设置require_grad为true
w = torch.rand([1, 1], requires_grad=True)
b = torch.empty([1, 1], requires_grad=True)

# 迭代
for i in range(300):
    pred = torch.matmul(x, w) + b
    loss = (pred - y_true).pow(2).mean()

    if w.grad is not None:
        w.grad.data.zero_()
    if w.grad is not None:
        b.grad.data.zero_()

    loss.backward()
    w.data = w.data - learning_rate * w.grad
    b.data = b.data - learning_rate * b.grad

    if not i % 50:
        print(f"w:{w.item()}, b:{b.item()}, loss:{loss}")

输出结果：
w:0.6309229135513306, b:0.5492251515388489, loss:0.06151945888996124
w:0.6085758805274963, b:0.7422322630882263, loss:0.0009876982076093554
w:0.5572196245193481, b:0.7695564031600952, loss:0.0002743132645264268
w:0.5301547050476074, b:0.7839562296867371, loss:7.618464587721974e-05
w:0.5158914923667908, b:0.7915449738502502, loss:2.1158641175134107e-05
w:0.5083746910095215, b:0.7955442667007446, loss:5.8762325352290645e-06