pytorch初步学习（二）

pytorch初步学习（二）

1~5见上篇 pytorch初步学习(一)

• 6：4维张量
  4维张量类型，最常见例子就是批图像。而在现代的CPU和GPU上都对快速在多样例上执行相同操作而进行了专门的优化，所以我们对于处理一张或多张图像时所用时间的差别感受并不明显。也因此，使用一批样例比使用单样例更加常见。
  批大小选择取决于许多因素，可以不去考虑。而不取更大批尺寸或完整数据集的主要原因是GPU的内存限制。我们最常用的批尺寸是16，32，64。
  其实举例来说，加载一批图片，假设为64*220*220*3的图片，其中64表示的就是批尺寸，通俗的来说，就是数量，当然，220，220分别表示长和宽，3为通道数，与颜色相关。
• 7: 5维张量
  在四维张量的基础上，我们了解5维张量，与上边4维张量类似，5维张量可以用视频数据为例。视频可以划分为帧，比如某个视频包含30帧，时长5秒，就可以表示形状为（n*30*224*224*3）的张量，其中 n 表示视频个数，30表示每个视频包含的帧数。
• 8：GPU上的张量
  了解这些张量，以及其表示的数据类型之后，我们需要了解的就是对这些张量格式的数据进行一些常见运算，比如加，减，乘，点积以及矩阵乘法等。当然，这些操作既可以在CPU上进行，也可以在GPU上进行。在Pytorch中提供了cuda（）函数，将张量从CPU上复制到GPU上。对比两个时间有：

a = torch.rand(10000,10000)
b = torch.rand(10000,10000)
a.matmul(b)
#耗时 : 3.23 s
#转移到 GPU上
a = a.cuda()
b = b.cuda()
a.matmul(b)
#耗时 : 11.2 µs

可见在进行某些运算时，GPU有着极大的优势，相较于CPU而言。

• 9 变量
  变量可用于指明在网络中某些变量时如何创建的，如何变化的，如何计算的。变量被用户创建后在引用时予以调用，从而获得想要的数据。

• 总结
  将数据准备介绍完，我们就要开始真正的为网络创建数据，以及开始跑网络达到某些目的了，我会在之后的学习中将步骤以及自己的感悟记录下来，希望可以有所帮助（对比我还要萌新的萌新来说）。