pytorch快速搭建神经网络--pytorch基本操作学习

序言：最近准备一直在用pytorch，特地总结一下如何快速用pytorch搭建神经网络学习人工智能。

目录

1.pytorch入门

1.1pytorch是什么

1.2安装pytorch

2. pytorch基本操作元素

2.1 Tensors张量

2.2 张量运算

2.3 张量索引

2.4 Torch tensor与Numpy ndarray转换

2.5 cpu与gpu的tensor相互转换

3.总结

---

1.pytorch入门

1.1pytorch是什么

• 2017年1月，由Facebook人工智能研究院（FAIR）基于Torch推出了PyTorch。

• 基于Python的可续计算包，提供两个高级功能：

  • 具有强大的GPU加速的张量计算（如NumPy）。

  • 包含自动求导系统的深度神经网络。

1.2安装pytorch

• 这里建议pycharm和anaconda一起使用，anaconda用来管理环境，pycharm写代码。

• 访问PyTorch，根据自己电脑配置选择选项，然后将生成的复制command到cmd窗口进行安装

conda install pytorch torchvision torchaudio cpuonly -c pytorch

• 安装完成后，查看pytorch是否安装成功

import torch 
print("pytorch版本",torch.__version__)
print("是否支持gpu", torch.cuda.is_available())】

2. pytorch基本操作元素

2.1 Tensors张量

• Tensors张量类似于Numpy中的ndarray数据结构, 最大的区别在于Tensor可以利用GPU的加速功能.

• 创建一个空矩阵

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

• 创建随机分布的矩阵,标准高斯分布

#创建随机分布的矩阵,标准高斯分布
x=torch.rand(5,3)
print(x)

• 创建全零矩阵,数据元素类型long

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

• 直接赋值创建张量

x=torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
print(x)

• 通过已有的一个张量创建相同尺寸的新张量

x = torch.ones(5,3,dtype=torch.double)
print(x)
y = torch.randn_like(x, dtype=torch.float)
print(y)

•  张量的尺寸

print(x.size())
a,b=x.size()
print("a:",a)
print("b:",b)

2.2 张量运算

• +，-，*，/

# +，-，*，/
x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
x + y, x - y, x * y, x / y, x ** y  # **运算符是求幂运算

• 转换张量形状reshape和view

## 转换张量形状
x=torch.arange(12,dtype=torch.float32).reshape(3,4)
print(x)
x=x.reshape(4,3)
print(x)
y=x.view(3,4)
print(y)

 torch的view()与reshape()方法都可以用来重塑tensor的shape，区别就是使用的条件不一样。view()方法只适用于满足连续性条件的tensor，并且该操作不会开辟新的内存空间，只是产生了对原存储空间的一个新别称和引用，返回值是视图。而reshape()方法的返回值既可以是视图，也可以是副本，当满足连续性条件时返回view，否则返回副本[ 此时等价于先调用contiguous()方法在使用view() ]。因此当不确能否使用view时，可以使用reshape。如果只是想简单地重塑一个tensor的shape，那么就是用reshape，但是如果需要考虑内存的开销而且要确保重塑后的tensor与之前的tensor共享存储空间，那就使用view()。
————————————————
原文链接：https://blog.csdn.net/flag_ing/article/details/109129752

• 沿着行或者列的方向联结，dim=0是行，1是列。

#沿着行或者列的方向联结
y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
x = torch.arange(12, dtype=torch.float32).reshape((3,4))
print(x)
print("行：",torch.cat((x, y), dim=0))#行
print("列：",torch.cat((x, y), dim=1))#列
print(x[:, 1])#所有行的第2列

2.3 张量索引

• 初始数据

x = torch.arange(12, dtype=torch.float32).reshape((3,4))

• x[-1], x[1:3]

• 指定位置写入元素 x[1, 2] = 9

2.4 Torch tensor与Numpy ndarray转换

•  torch张量和numpy数组将共享它们的底层内存，简单说就是操作更改一个张量也会同时更改另一个张量。
• 所有在CPU上的Tensors, 除了CharTensor, 都可以转换为Numpy array并可以反向转换.

a = torch.ones(5)
print(type(a),a)
b=a.numpy()
print(type(b),b)
c=torch.tensor(b)
print(type(c),c)

  

2.5 cpu与gpu的tensor相互转换

• 在实际计算中，传入cpu与gpu的变量不一样，需要相互转换类型才能一起运算

• 使用.to 方法实现

if torch.cuda.is_available():
    # 定义一个设备对象, 这里指定成CUDA, 即使用GPU，如果有多个gpu可以用cuda0，cuda1表示
    device = torch.device("cuda")
    # 直接在GPU上创建一个Tensor
    y = torch.ones_like(x, device=device)
    # 将在CPU上面的x张量移动到GPU上面
    x = x.to(device)
    # x和y都在GPU上面, 才能支持加法运算
    z = x + y
    # 此处的张量z在GPU上面
    print(z)
    # 也可以将z转移到CPU上面, 并同时指定张量元素的数据类型
    print(z.to("cpu", torch.double))

3.总结

• 矩阵的初始化
  • torch.empty()
  • torch.rand(n, m)
  • torch.zeros(n, m, dtype=torch.long)
  • torch.ones(n,m,dtype=torch.double)
• 矩阵运算
  • x + y
  •  x - y,
  • x * y,
  • x / y,
  • x ** y
• 矩阵转换形状
  • reshape()
  • view()
• 矩阵索引
• 方向联结
  • torch.cat((x, y), dim=0)行
  • torch.cat((x, y), dim=1)列
• Torch Tensor和Numpy Array之间的相互转换
  • b=a.numpy()
  • c=torch.tensor(b)
• cpu与gpu的tensor相互转换
  • x = x.to(device)