pytorch随笔-CSDN博客

本文链接：https://blog.csdn.net/qq_37388085/article/details/104421129

1. torch.from_numpy()

作用：将numpy数组转换成torch张量；
具体形式：torch.form_numpy(data)；

2. data[].numpy()

作用：将张量转换为numpy数组；
形式：data[].numpy()

3. plt.imshow()

作用：plt.imshow()函数负责对图像进行处理，并显示其格式，但是不能显示；
形式：plt.imshow(image)

4. plt.show()

作用：将plt.imshow()处理后的函数显示出来；
形式：plt.show()

5. torch.add()

作用：张量相加；
形式：torch.add(a,b)，也可以是c=a.add(b);

注意，a.add_(b)相当于自加，即a+b得到的值存储在a中。

6. torch.mul()

作用：张量相乘；
形式：torch.mul(a,b)，也可以是c=a.mul(b);

注意，a.mul(b)相当于和自身相乘，得到的值存储在啊中。

7. torch.matmul()

作用：矩阵点积，矩阵之间行和列的关系在计算时需要注意；
形式：torch.matmul(a,b)或者a.matmul(b)；

8. cuda()

作用：将张量转移到GPU；
形式：a=a.cuda()

9. Variable对象

torch.autograd.Variable是Autograd的核心类，它封装了Tensor，并整合了反向传播的相关实现；

from torch.autograd import Variable
x = Variable(tensor, requires_grad = True) #requires_grad:指示是否需要梯度；

Varibale包含三个属性：

data：存储了Tensor，是本体的数据；
grad：保存了data的梯度，本事是个Variable而非Tensor，与data形状一致；
grad_fn：指向Function对象，用于反向传播的梯度计算之用；

举个例子，创建一个张量，代码如下：

from torch.autograd import Variable

train_X = np.asarray([3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,
                         7.042,10.791,5.313,7.997,5.654,9.27,3.1])
dtype = torch.FloatTensor
X = Variable(torch.from_numpy(train_X).type(dtype),requires_grad=False)

10.np.asarray()和np.array()的区别

np.array()和np.asarray()都可以将结构数据转化为ndarray，但是主要区别就是当数据源是ndarray时，array仍然会copy出一个副本，占用新的内存，但asarray不会。

具体看个例子：

import numpy as np
 
#example 2:
arr1=np.ones((3,3))
arr2=np.array(arr1)
arr3=np.asarray(arr1)
arr1[1]=2
print 'arr1:\n',arr1
print 'arr2:\n',arr2

#输出

arr1:
[[ 1.  1.  1.]
 [ 2.  2.  2.]
 [ 1.  1.  1.]]
arr2:
[[ 1.  1.  1.]
 [ 1.  1.  1.]
 [ 1.  1.  1.]]
arr3:
[[ 1.  1.  1.]
 [ 2.  2.  2.]

11. resize()和view()的区别

resize()是针对np.array(data)的，view是针对pytorch的Variable(data)的；

具体看个例子：

#resize()
import numpy as np
a = np.array([1,2,3,4,5,6,7,8,9,10])
a.resize((2,4))
print(a)

#输出
[[1 2 3 4]
 [5 6 7 8]]

#view()
import torch
import numpy as np
from torch.autograd import Variable

x = np.asarray([1,2,3,4,5,6,7,8,9,10])
dtype = torch.FloatTensor
y = Variable(torch.from_numpy(x).type(dtype),requires_grad=False).view(10,1)
print(y)

#输出
tensor([[ 1.],
        [ 2.],
        [ 3.],
        [ 4.],
        [ 5.],
        [ 6.],
        [ 7.],
        [ 8.],
        [ 9.],
        [10.]])