pytorch学习

torch数据类型转换

torch.from_numpy

作用：
获取一个大小与numpy数组相同的张量
用法：

npa = numpy.array([1, 0, 1])
torch_tensor = torch.from_numpy(npa)

torch变量变换数据类型

类型转换示例，tensor为torch张量。

tensor = tensor.int()
tensor = tensor.to(torch.float32)

torch.tensor操作

torch.where()

利用torch.where可根据条件对tensor中的数据进行赋值，如下面语句就是以0.5为阈值，将tensor中大于0.5的值赋值为1，小于等于0.5的赋值为0

tensor = torch.where（tensor > 0.5, 1, 0）

也可以是使用两个tensor对其进行赋值，下面语句中的a和b皆为tensor，其语句的意思为，如果a的元素大于0，则result对应位置的值用a的值代替，否则用b的值代替。

result = torch.where(a > 0, a, b)

torch.sum()

对tensor中的所有数据进行求和

sum = torch.sum(tensor)
sum = tensor.sum()

提取指定维度数据：

提取指定一列数据,i为需要提取的列数据

temp_data = data[:, i]

torch.utils.data：

TensorDataset

TensorDataset实现对tensor的打包，通过tensor的第一维度进行索引，因此输入的两个tensor的第一维度必须相等，我一般用来他将data和label组装成dataset，方便后续按batch_size进行划分用于模型训练。

dataset = TensorDataset(data, label)

ConcatDataset合并数据集

new_dataset = ConcatDataset([dataset_a, dataset_b])

random_split()

封装dataset后，使用下述语句对dataset进行划分。

train_dataset, test_dataset = random_split(
        dataset=dataset,
        lengths=[len_train, len(dataset) - len_train],
        generator=torch.Generator().manual_seed(0)
    )

dataset为输入的已用TesorDataset封装好的dataset，lengths控制训练集和测试集的长度，固定genreator有助于复现。一般建议先使用random_split划分为train_dataset, test_dataset，再对其使用Dataloader进行batch_size的划分，以避免出来先划分Dataloader后训练时出现无法遍历train_dataloader的问题。

DataLoader

常用形式：

data_loader = DataLoader(dataset=data, batch_szie=batch_size, shuffle=True, drop_last=True)

上述代码表示使用data作为划分的数据集，batch_size大小设为bacth_size，对数据进行打乱，其打乱方式为先打乱，后划分batch，drop_last表示是否样本数无法被batch_size整除时，是否将无法被整除的删除。

torch模型操作

torch保存&加载模型

模型保存和加载方法有以下两种：

 # 保存模型参数，速度快
 torch.save(model.state_dict(), path) 
 # 加载
 model = model.load_state_dict(torch.load(path))
 # 保存模型整个网络
 torch.save(net, path)
 # 加载
 model = torch.load(ptah)