task1:pytorch入门-60分钟了解系列之一

最新推荐文章于 2024-06-22 17:22:33 发布

夜猫子科黎

最新推荐文章于 2024-06-22 17:22:33 发布

阅读量435

点赞数 2

分类专栏：深度学习文章标签： pytorch入门深度学习

本文链接：https://blog.csdn.net/wehung/article/details/89052851

版权

深度学习专栏收录该内容

15 篇文章 3 订阅

订阅专栏

pytorch的基本概念

一、 pytorch介绍
- 1.1 什么是pytorch
- 1.2 为什么选择pytorch
二、pytorch安装
三、pytorch基础知识

一、 pytorch介绍

1.1 什么是pytorch

这是一个基于Python的科学计算软件包，针对两组受众：

NumPy的替代品，可以使用GPU的强大功能
深度学习研究平台，提供最大的灵活性和速度

1.2 为什么选择pytorch

易用性：容易学，易上手，可以快速进行学习与运用
流行性：当前的流行框架之一，另外还有tensorflow等
简洁：API接口简洁，容易理解及记忆

二、pytorch安装

2.1 anaconda下载与安装

我实在anaconda环境下进行安装的，
首先下载anaconda，点击download
在这里插入图片描述
然后选择相应平台及python版本进行下载

我选择的是Python3.7

2.2 环境配置

下载完之后，进行创建虚拟环境。
首先找到anaconda prompt
在这里插入图片描述
然后输入命令
创建环境
conda create -n env_name [python=3.x]

以上env_name为你自己想取得名字，[]里面可以指定python或者其他包版本，若不知指定python版本则默认安装最新的python版本。
激活环境

conda activate env_name

安装pytorch
https://pytorch.org/get-started/locally/
在这里插入图片描述
根据自己的硬件环境和软件版本以及cuda版本安装pytorch【注意cuda一般需要提前安装，可百度如何安装cuda】，若需要安装cpu版本，则CUDA选择None
笔者环境为：win10+cuda9+conda+python3.7
故命令为
conda install pytorch torchvision cudatoolkit=9.0 -c pytorch

2.3 环境测试

安装测试
在这里插入图片描述
第一行为：测试是否安装pytorch成功
第二行为：测试pytoch的gpu版本是否成功

三、pytorch基础知识

3.1 A 60 MINUTE BLITZ(60分钟快速了解）

1 What is pytorch(什么是pytorch)
1.1 Tensors(张量）
张量与NumPy的ndarray类似，另外还有Tensors也可用于GPU以加速计算。
导入torch

from __future__ import print_function
import torch

构造5*3矩阵吗，未初始化

x = torch.empty(5, 3)
print(x)

out

tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])

构建随机初始化矩阵

x = torch.rand(5, 3)
print(x)

Out:

tensor([[0.5728, 0.5375, 0.0494],
        [0.2820, 0.1853, 0.8619],
        [0.0856, 0.8380, 0.8117],
        [0.7959, 0.8802, 0.3610],
        [0.4440, 0.4028, 0.2289]])

构建一个矩阵都是0，类型为long

x = torch.zeros(5, 3, dtype=torch.long)
print(x)

out

tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])

直接从数据中构建张量

x = torch.tensor([5.5, 3])
print(x)

out

tensor([5.5000, 3.0000])

或者根据现有的张量创建张量。这些方法将重用输入张量的属性，例如， dtype，除非用户提供新值

x = x.new_ones(5, 3, dtype=torch.double)      # new_* methods take in sizes
print(x)

x = torch.randn_like(x, dtype=torch.float)    # override dtype!
print(x)

Out:

tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)
tensor([[ 0.3928, -0.4377, -0.6426],
        [ 0.6000,  0.1942, -0.9790],
        [-3.0629,  0.2410, -1.5378],
        [ 0.0219,  0.5899,  0.8386],
        [-0.1540,  0.2724,  0.3881]])

获得其大小

print(x.size())

out:

torch.Size([5, 3])

注意：torch.Size实际上是一个元组，因此它支持所有元组操作。

1.2 基本操作（加、减等）

操作有多种语法。在下面的示例中，我们将查看添加操作。
加：第一种：

y = torch.rand(5, 3)
print(x + y)

out:

tensor([[ 1.0653,  0.1367, -0.1789],
        [ 1.2751,  0.3061, -0.2860],
        [-2.9511,  0.3313, -1.5280],
        [ 0.5614,  1.4668,  1.7641],
        [ 0.1087,  0.8200,  0.5692]])

加：第二种

print(torch.add(x, y))

Out:

tensor([[ 1.0653,  0.1367, -0.1789],
        [ 1.2751,  0.3061, -0.2860],
        [-2.9511,  0.3313, -1.5280],
        [ 0.5614,  1.4668,  1.7641],
        [ 0.1087,  0.8200,  0.5692]])

加法：提供输出张量作为参数

result = torch.empty(5, 3)
torch.add(x, y, out=result)
print(result)
Out:

tensor([[ 1.0653,  0.1367, -0.1789],
        [ 1.2751,  0.3061, -0.2860],
        [-2.9511,  0.3313, -1.5280],
        [ 0.5614,  1.4668,  1.7641],
        [ 0.1087,  0.8200,  0.5692]])

加法，in-place(改变原有的）

# adds x to y
y.add_(x)
print(y)

Out:

tensor([[ 1.0653,  0.1367, -0.1789],
        [ 1.2751,  0.3061, -0.2860],
        [-2.9511,  0.3313, -1.5280],
        [ 0.5614,  1.4668,  1.7641],
        [ 0.1087,  0.8200,  0.5692]])

任何用_后固定的操作。例如：x.copy_（y），x.t_（），将改变x。
Resizing(改变张量大小):如果你想调整/重塑张量，你可以使用torch.view：

x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8)  # the size -1 is inferred from other dimensions
print(x.size(), y.size(), z.size())

out:

torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

如果你有一个元素张量，使用.item（）将值作为Python数字

x = torch.randn(1)
print(x)
print(x.item())

Out:

tensor([-1.7816])
-1.7815848588943481

1.3 Numpy 和Tensor转换

将Torch Tensor转换为NumPy阵列（反之亦然）是一件轻而易举的事。
Converting a Torch Tensor to a NumPy Array（将tensor转换为Numpy）

 a = torch.ones(5)
print(a)

Out:

tensor([1., 1., 1., 1., 1.])

b = a.numpy()
print(b)

out：

[1. 1. 1. 1. 1.]

a.add_(1)
print(a)
print(b)

out:

tensor([2., 2., 2., 2., 2.])
[2. 2. 2. 2. 2.]

注意：Torch Tensor和NumPy阵列将共享其底层内存位置，而更改一个将改变其他位置

1.4 Numpy 转换为Tensor

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)

out:

[2. 2. 2. 2. 2.]
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

除了CharTensor之外，CPU上的所有Tensors都支持转换为NumPy并返回。

1.5 CUDA Tensors

可以使用.to方法将张量移动到任何设备上。

# let us run this cell only if CUDA is available
# We will use ``torch.device`` objects to move tensors in and out of GPU
if torch.cuda.is_available():
    device = torch.device("cuda")          # a CUDA device object
    y = torch.ones_like(x, device=device)  # directly create a tensor on GPU
    x = x.to(device)                       # or just use strings ``.to("cuda")``
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))       # ``.to`` can also change dtype together!

Out:

tensor([-0.7816], device='cuda:0')
tensor([-0.7816], dtype=torch.float64)

夜猫子科黎

关注

2
点赞
踩
7

收藏

觉得还不错? 一键收藏
0
评论
task1:pytorch入门-60分钟了解系列之一

pytorch的基本概念一、 pytorch介绍1.1 什么是pytorch1.2 为什么选择pytorch二、pytorch安装2.1 anaconda下载与安装2.2 环境配置2.3 环境测试三、pytorch基础知识3.1 A 60 MINUTE BLITZ(60分钟快速了解）1.2 基本操作（加、减等）1.3 Numpy 和Tensor转换1.4 Numpy 转换为Tensor1.5 C...
复制链接

扫一扫

专栏目录