Pytorch使用

一个Python 深度学习框架，它将数据封装成张量（Tensor）来进行处理。PyTorch中的张量就是元素为同一种数据类型的多维矩阵。在PyTorch中，张量以"类" 的形式封装起来，对张量的一些运算、处理的方法被封装在类中。

Pytorch的安装：pip install torch==2.0.1 -ihttps://pypi.tuna.tsinghua.edu.cn/simple

1、张量的创建

torch.tensor()	根据指定数据创建张量	data = torch.tensor(data)
torch.Tensor()	根据指定形状创建张量，也可以用来创建指定数据的张量	data = torch.Tensor(2,3) data = torch.Tensor([10,20])
torch.arange()	创建线性张量	data = torch.arange(0,10,2)
torch.linspace()	创建线性张量	data = torch.linspace(0,11,10)
torch.randn()	创建随机张量	data = torch.randn(2,3)
torch.zeros()	创建全0张量	data = torch.zeros(2,3)
torch.ones()	创建全1张量	data = torch.ones(2,3)
torch.full()	创建全为指定值张量	data = torch.full([2,3],10)

2、张量的类型转换

data.type(torch.DoubleTensor)	将data元素类型转换为float64类型	data,double()
data.type(torch.IntTensor)	将data元素类型转换为int64类型	data.int()
data.type(torch.LongTensor)	将data元素类型转换为long类型	data.long()
data.type(torch.FloatTensor)	将data元素类型转换为float32类型	data.float()
print(data.dtype)	打印元素的类型
Tensor.numpy()	可以将张量转换成ndarray数组	data_tensor.numpy()
from_numpy()	将ndarray数组转为Tensor	data_tensor = torch.from_numpy(data_numpy)
torch.tensor()	将ndarray转化为Tensor	data_tensor = torch.tensor(data_numpy)
item()	对于只有一个元素的张量，使用item()可以将该值从张量中提取出来	print(data.item())

3、张量数值计算

add	new_data = data.add(10)	不改变源数据
add_	data.add_(10)	修改源数据
sub	new_data = data.sub(10)	不改变源数据
sub_	data.sub_(10)	修改源数据
mul	new_data = data.mul(10)	不改变源数据
mul_	data.mul_(10)	修改源数据
div	new_data = data.div(10)	不改变源数据
div_	data.div_(10)	修改源数据
neg(取相反数)	new_data = data.neg(10)	不改变源数据
neg_	data.neg_(10)	修改源数据
torch.mul(data1,data2)	对应位置的元素相乘	data = torch.mul(data1.data2)
data1*data2	对应位置的元素相乘	data = data1*data2
torch.matmul(data1,data2)	矩阵相乘	data = torch.matmul(data1,data2)
data1@data2	矩阵相乘	data3 = data1@data2

4、张量运算函数

data.mean()	均值
data.sqrt()	平方根
data.sum()	求和
data.exp()	指数计算
data.log()	对数计算
torch.pow(data,2)	平方

5、张量索引操作

data[0]	取第0行	简单行列索引
data[:.0]	取第0列
data[[0,1],[1,2]]	取(0,1) (1,2)两个元素的位置	列表索引
data[[[0],[1]],[1,2]]	取0,1行的1,2列共4个元素
data[:3,:2]	前3行的前2列数据	列表索引
data[2:,:2]	第2行到最后的前2列元素
data[0,:,:]	获取0轴的第一个数据	多维索引
data[:,0,:]	获取1轴的第一个数据
data[:,:,0]	获取2轴的第一个数据

6、张量形状操

data.shape	获取张量形状	print(data.shape)
data.size	获取张量形状	print(data.shape)
data.reshape(1,6)	修改张量形状
data.squeeze()	删除形状为1的维度	mydata = data.squeeze()
data.unsqueeze(dim=1)	在1维度上拓展维度	mydata = data.unsqueeze(dim=1)
transpose()	交换张量的指定维度	torch.transpose(data,1,2)
permute()	一次交换更多的维度	mydata = data.permute([1,2,0])
data.is_contiguous()	判断是否使用整块内存	print(data.is_contiguous())
view()	只能用于整块内存,一般配合contiguous使用	mydata = data.view(3,2)

7、张量拼接操作

torch.cat([data1,data2],dim=0)

按0维度拼接,不改变维度数

8、自动微分模块

import torch
# 1.当X为标量时梯度的计算
def test01():
x = torch.tensor(5)
#目标值
y = torch.tensor(0.)
#设置要更新的权重和偏置的初始值
w = torch.tensor(1., requires_grad=True, dtype=torch.float32)
b = torch.tensor(3., requires_grad=True, dtype=torch.float32)
#设置网络的输出值
z = x * w + b
#矩阵乘法#设置损失函数，并进行损失的计算
loss = torch.nn.MSELoss()
loss = loss(z, y)
#自动微分
loss.backward()
#打印w,b变量的梯度
# backward函数计算的梯度值会存储在张量的grad变量中
print("W的梯度:", w.grad)
print("b的梯度", b.grad)

9、案例-线性回归案例

pytorch中进行模型构建的整个流程一般分为四个步骤:

• 准备数据集
• 构建要使用的模型
• 设置损失函数和优化器
• 模型训练