PyTorch学习记录【神经网络】

一、函数

1、
torch.linspace (start, end, steps=100, out=None) → Tensor

返回 start 和 end 之间等间隔 steps 点的一维 Tensor.
输出 是尺寸 steps 为一维 tensor
参数：
start (float) – 点集合的起始值
end (float) – 点集合的结束值
steps (int) – 在 start 和 end 之间的样本数
out (Tensor, 可选) – 输出结果的 Tensor

>>> torch.linspace(3, 10, steps=5)
 3.0000
 4.7500
 6.5000
 8.2500
 10.0000
[torch.FloatTensor of size 5]

2、
torch.normal(means, std, out=None)

返回一个随机数张量, 随机数从给定平均值和标准差的离散正态分布中抽取.

参数 means 是一个包含每个输出元素的正态分布均值的张量.

参数 std 是一个包含每个输出元素的正态分布标准差的张量.

其中 means 和 std 的形状不需要匹配, 但是每个张量中的元素总数需要相同.

注解：

当形状不匹配时, means 的形状将作为返回输出张量的形状.

参数：

means (Tensor) – 均值
std (Tensor) – 标准差
out (Tensor, 可选) – 输出张量

>>> torch.normal(mean=0.5, std=torch.arange(1, 6))

 0.5723
 0.0871
 -0.3783
 -2.5689
 10.7893
[torch.FloatTensor of size 5]

3、
torch.randn(sizes, out=None) → Tensor
返回标准正态分布的Tensor

sizes:定义形状

4、
torch.mm (a , b)
矩阵a与矩阵b相乘，a的列数与b的行数相等
或
a.mm(b)

5、
torch.mul(a,b)
矩阵a与矩阵b进行元素相乘，a与b的维度必须相等

6、
torch.clamp(input, min, max, out=None)
将input中的元素压缩至[min,max]

 input  = min    (if  input < min)
 input  = max    (if  input > max)
 input  = input  (if  min < input < max)

7
item()
返回元素的数值，但只能返回一个元素的值

import torch
a=torch.randn(2,3)
b=a[0][0].item()
print(b)
>>>
0.9108635187149048

8、
torch.max(input, dim) 函数

参数：
input是softmax函数输出的一个tensor
dim是max函数索引的维度0/1，0是每列的最大值，1是每行的最大值

二、方法

1.自动求导机制

import torch
x=torch.tensor(1.,requires_grad=True) #新版本需对所需要求梯度的变量
w=torch.tensor(2.,requires_grad=True) #进行requires_grad=True
b=torch.tensor(3.,requires_grad=True)

y=w*x+b  #y=2*1+3
y.backward()  #对y进行回溯
print(x.grad)
print(w.grad)
print(b.grad)
>>>
tensor(2.)
tensor(1.)
tensor(1.)

2.张量相加（四种方法）

x = torch.rand(5, 3)
y = torch.rand(5, 3)
#第一种
print(x + y)
#第二种
print(torch.add(x, y))
#第三种
result = torch.empty(5, 3)
torch.add(x, y, out=result)
print(result)
#第四种
y.add_(x)
print(y)