Pytorch_course2

wenxingxingxing

已于 2022-10-17 21:56:54 修改

阅读量84

点赞数

分类专栏： Deep learning Pytorch 文章标签： pytorch 深度学习 python

于 2022-09-14 13:32:43 首次发布

本文链接：https://blog.csdn.net/wenxingxingxing/article/details/126850836

版权

Deep learning 同时被 2 个专栏收录

12 篇文章 0 订阅

订阅专栏

Pytorch

6 篇文章 0 订阅

订阅专栏

PyTorch基础：Tensor和Autograd

PyTorch基础：Tensor和Autograd¶

PyTorch基础：Tensor和Autograd¶

3.1 Tensor

Tensor，又名张量，读者可能对这个名词似曾相识，因它不仅在PyTorch中出现过，它也是Theano、TensorFlow、Torch和MxNet中重要的数据结构。关于张量的本

质不乏深度的剖析，但从工程角度来讲，可简单地认为它就是一个数组，且支持高效的科学计算。它可以是一个数（标量）、一维数组（向量）、二维数组（矩

阵）和更高维的数组（高阶数据）。Tensor和Numpy的ndarrays类似，但PyTorch的tensor支持GPU加速。

3.1.1 基础操作

从接口的角度来讲，对tensor的操作可分为两类：

1、torch.function，如torch.save等。
2、tensor.function，如tensor.view等。

为方便使用，对tensor的大部分操作同时支持这两类接口，在本书中不做具体区分，如torch.sum (torch.sum(a, b))与tensor.sum (a.sum(b))功能等价。

而从存储的角度来讲，对tensor的操作又可分为两类：

1、不会修改自身的数据，如 a.add(b)，加法的结果会返回一个新的tensor。

2、会修改自身的数据，如 a.add_(b)，加法的结果仍存储在a中，a被修改了。

函数名以_结尾的都是inplace方式, 即会修改调用者自己的数据，在实际应用中需加以区分

创建Tensor

在PyTorch中新建tensor的方法有很多，具体如表3-1所示。

表3-1: 常见新建tensor的方法
在这里插入图片描述

这些创建方法都可以在创建的时候指定数据类型dtype和存放device(cpu/gpu).

其中使用Tensor函数新建tensor是最复杂多变的方式，它既可以接收一个list，并根据list的数据新建tensor，也能根据指定的形状新建tensor，还能传入其他的tensor，下面举几个例子

# 指定tensor的形状
import torch
a = torch.Tensor(3, 5)
a # 数值取决于内存空间的状态，print时候可能overflow

tensor([[2.4219e+12, 7.2027e-43, 2.4219e+12, 7.2027e-43, 2.4219e+12],
        [7.2027e-43, 2.4219e+12, 7.2027e-43, 2.4219e+12, 7.2027e-43],
        [2.4219e+12, 7.2027e-43, 2.4219e+12, 7.2027e-43, 2.4219e+12]])

# 用list数据创建tensor
import torch
b = torch.Tensor([[1, 2, 3],[4, 5, 6]])
b

tensor([[1., 2., 3.],
        [4., 5., 6.]])

b.tolist() # 把tensor转为list

[[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]]

tensor.size()返回torch.Size对象，它是tuple的子类，但其使用方式与tuple略有区别

b_size= b.size()
b_size

torch.Size([2, 3])

# b.numel() # b中元素总个数，2*3，等价于b.nelement()
b.nelement()

# 创建一个和b形状一样的tensor
c = torch.Tensor(b_size)

# 创建一个元素为2和3的tensor
d = torch.Tensor([2,3])
c,d

(tensor([[0., 0., 0.],
         [0., 0., 0.]]),
 tensor([2., 3.]))

除了tensor.size()，还可以利用tensor.shape直接查看tensor的形状，tensor.shape等价于tensor.size()

c.shape

torch.Size([2, 3])

需要注意的是，t.Tensor(*sizes)创建tensor时，系统不会马上分配空间，只是会计算剩余的内存是否足够使用，使用到tensor时才会分配，而其它操作都是在创建完tensor之后马上进行空间分配。其它常用的创建tensor的方法举例如下。

torch.ones(2,3)

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

torch.zeros(3,2)

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

torch.arange(1, 6, 2)

tensor([1, 3, 5])

torch.linspace(1, 10, 3)

tensor([ 1.0000,  5.5000, 10.0000])

torch.randn(2, 3, device=torch.device('cpu'))

tensor([[ 0.3982, -0.1161,  0.3255],
        [ 0.1941,  0.9055, -0.4814]])

torch.randperm(20) # 长度为5的随机排列

tensor([12,  6,  4,  1, 10,  2,  5, 19,  0, 17, 13,  3,  8,  7, 18,  9, 14, 11,
        15, 16])

torch.eye(3,3, dtype=torch.int) # 对角线为1, 不要求行列数一致

tensor([[1, 0, 0],
        [0, 1, 0],
        [0, 0, 1]], dtype=torch.int32)

torch.tensor是在0.4版本新增加的一个新版本的创建tensor方法，使用的方法，和参数几乎和np.array完全一致

scalar = torch.tensor(3.14159) 
print('scalar: %s, shape of sclar: %s' %(scalar, scalar.shape))

vector = torch.tensor([1, 2])
print('vector: %s, shape of vector: %s' %(vector, vector.shape))

scalar: tensor(3.1416), shape of sclar: torch.Size([])
vector: tensor([1, 2]), shape of vector: torch.Size([2])

tensor = torch.Tensor(1,2) # 注意和t.tensor([1, 2])的区别
tensor.shape

torch.Size([1, 2])

matrix = torch.tensor([[0.1, 1.2], [2.2, 3.1], [4.9, 5.2]])
matrix,matrix.shape

(tensor([[0.1000, 1.2000],
         [2.2000, 3.1000],
         [4.9000, 5.2000]]),
 torch.Size([3, 2]))

torch.tensor([[0.11111, 0.222222, 0.3333333]],
                     dtype=torch.float64,
                     device=torch.device('cpu'))

tensor([[0.1111, 0.2222, 0.3333]], dtype=torch.float64)

empty_tensor = torch.tensor([])
empty_tensor.shape

torch.Size([0])

常用Tensor操作

通过tensor.view方法可以调整tensor的形状，但必须保证调整前后元素总数一致。view不会修改自身的数据，返回的新tensor与源tensor共享内存，也即更改其中的一个，另外一个也会跟着改变。

在实际应用中可能经常需要添加或减少某一维度，这时候squeeze和unsqueeze两个函数就派上用场了。

a = torch.arange(0,6)
a.view(2,3)

tensor([[0, 1, 2],
        [3, 4, 5]])

b = a.view(-1, 3) # 当某一维为-1的时候，会自动计算它的大小
b.shape

torch.Size([2, 3])

b.unsqueeze(1) #注意形状， 在第一维（下标从0开始）上增加‘1’
# 等价于b[:, None]
b[:, None,].shape # 等价于b[:, None].shape
# b.shape

torch.Size([2, 1, 3])

b.unsqueeze(-2)

tensor([[[0, 1, 2]],

        [[3, 4, 5]]])

c = b.view(1, 1, 1, 2, 3)
c.squeeze(0) # 压缩第0维的“１”

tensor([[[[0, 1, 2],
          [3, 4, 5]]]])

c.squeeze() # 把所有维度为“1”的压缩

tensor([[0, 1, 2],
        [3, 4, 5]])

a[1] = 100
b # a修改，b作为view之后的，也会跟着修改

tensor([[  0, 100,   2],
        [  3,   4,   5]])

resize是另一种可用来调整size的方法，但与view不同，它可以修改tensor的大小。如果新大小超过了原大小，会自动分配新的内存空间，而如果新大小小于原大小，则之前的数据依旧会被保存，看一个例子。

b.resize_(1,3)

tensor([[  0, 100,   2]])

b.resize_(3, 3) # 旧的数据依旧保存着，多出的大小会分配新空间
b

tensor([[                0,               100,                 2],
        [                3,                 4,                 5],
        [32932988893659237, 29273792722501740, 31244220638625897]])

索引操作

Tensor支持与numpy.ndarray类似的索引操作，语法上也类似，下面通过一些例子，讲解常用的索引操作。如无特殊说明，索引出来的结果与原tensor共享内存，也即修改一个，另一个会跟着修改。

a = torch.randn(3, 4)
a

tensor([[-1.6488, -1.2068, -0.7809, -3.4079],
        [-1.7839,  1.2259, -0.7961,  0.7267],
        [-0.6942,  0.6834, -0.8989, -0.0749]])

a[0] # 第0行(下标从0开始)

tensor([-1.6488, -1.2068, -0.7809, -3.4079])

a[:, 0] # 第0列

tensor([-1.6488, -1.7839, -0.6942])

a[0][2] # 第0行第2个元素，等价于a[0, 2]

tensor(-0.7809)

a[0, -1] # 第0行最后一个元素

tensor(-3.4079)

a[:2] # 前两行

tensor([[-1.6488, -1.2068, -0.7809, -3.4079],
        [-1.7839,  1.2259, -0.7961,  0.7267]])

a[:2, 0:2] # 前两行，第0,1列

tensor([[-1.6488, -1.2068],
        [-1.7839,  1.2259]])

print(a[0:1, 0:2]) # 第0行，前两列 
print(a[0, :2]) # 注意两者的区别：形状不同

tensor([[-1.6488, -1.2068]])
tensor([-1.6488, -1.2068])

# None类似于np.newaxis, 为a新增了一个轴
# 等价于a.view(1, a.shape[0], a.shape[1])
a[None].shape

torch.Size([1, 3, 4])

a[None].shape # 等价于a[None,:,:]

torch.Size([1, 3, 4])

a[:,None,:].shape

torch.Size([3, 1, 4])

a[:,None,:,None,None].shape

torch.Size([3, 1, 4, 1, 1])

a > 1 # 返回一个ByteTensor

tensor([[False, False, False, False],
        [False,  True, False, False],
        [False, False, False, False]])

a[a < 1] # 等价于a.masked_select(a > 1)
# 选择结果与原tensor不共享内存空间

tensor([-1.6488, -1.2068, -0.7809, -3.4079, -1.7839, -0.7961,  0.7267, -0.6942,
         0.6834, -0.8989, -0.0749])

a[torch.LongTensor([0,1])] # 第0行和第1行

tensor([[-1.6488, -1.2068, -0.7809, -3.4079],
        [-1.7839,  1.2259, -0.7961,  0.7267]])

其它常用的选择函数如表3-2所示。

表3-2常用的选择函数

在这里插入图片描述

对tensor的任何索引操作仍是一个tensor，想要获取标准的python对象数值，需要调用tensor.item(), 这个方法只对包含一个元素的tensor适用

a = torch.arange(0, 16).view(4, 4)
a

tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11],
        [12, 13, 14, 15]])

a[0][0] # 依旧是tensor

tensor(0)

a[0,0].item() # python float

d = a[0:1, 0:1, None]
print(d.shape)
d.item()# 只包含一个元素的tensor即可调用tensor.item,与形状无关

torch.Size([1, 1, 1])

0

# a[0].item()  ->
# raise ValueError: only one element tensors can be converted to Python scalars

高级索引

PyTorch在0.2版本中完善了索引操作，目前已经支持绝大多数numpy的高级索引1。高级索引可以看成是普通索引操作的扩展，但是高级索引操作的结果一般不和原始的Tensor共享内存。

x = torch.arange(0,27).view(3,3,3)
x

tensor([[[ 0,  1,  2],
         [ 3,  4,  5],
         [ 6,  7,  8]],

        [[ 9, 10, 11],
         [12, 13, 14],
         [15, 16, 17]],

        [[18, 19, 20],
         [21, 22, 23],
         [24, 25, 26]]])

x[[1, 2], [1, 2],[2, 0]] # x[1,1,2]和x[2,2,0]

tensor([14, 24])

x[[2, 1, 0], [0], [1]] # x[2,0,1],x[1,0,1],x[0,0,1]

tensor([19, 10,  1])

x[[0, 2], ...] # x[0] 和 x[2]

tensor([[[ 0,  1,  2],
         [ 3,  4,  5],
         [ 6,  7,  8]],

        [[18, 19, 20],
         [21, 22, 23],
         [24, 25, 26]]])

Tensor类型

Tensor有不同的数据类型，如表3-3所示，每种类型分别对应有CPU和GPU版本(HalfTensor除外)。默认的tensor是FloatTensor，可通过t.set_default_tensor_type 来修改默认tensor类型(如果默认类型为GPU tensor，则所有操作都将在GPU上进行)。Tensor的类型对分析内存占用很有帮助。例如对于一个size为(1000, 1000, 1000)的FloatTensor，它有100010001000=10^9个元素，每个元素占32bit/8 = 4Byte内存，所以共占大约4GB内存/显存。HalfTensor是专门为GPU版本设计的，同样的元素个数，显存占用只有FloatTensor的一半，所以可以极大缓解GPU显存不足的问题，但由于HalfTensor所能表示的数值大小和精度有限，所以可能出现溢出等问题。
在这里插入图片描述

各数据类型之间可以互相转换，type(new_type)是通用的做法，同时还有float、long、half等快捷方法;

CPU tensor与GPU tensor之间的互相转换通过tensor.cuda和tensor.cpu方法实现;

可以使用tensor.to(device)。Tensor还有一个new方法，用法与t.Tensor一样，会调用该tensor对应类型的构造函数，生成与当前tensor类型一致的tensor。

torch.like(tensora) 可以生成和tensora拥有同样属性(类型，形状，cpu/gpu)的新tensor。 tensor.new(new_shape) 新建一个不同形状的tensor。

# 设置默认tensor，注意参数是字符串
import torch
torch.set_default_tensor_type('torch.DoubleTensor')

a = torch.Tensor(2,3)
a.dtype # 现在a是DoubleTensor,dtype是float64

torch.float64

# 恢复之前的默认设置
torch.set_default_tensor_type('torch.FloatTensor')

# 把a转成FloatTensor，等价于b=a.type(t.FloatTensor)
b = a.float()
b.dtype

torch.float32

c = a.type_as(b)
c

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

a.new(2,3) # 等价于torch.DoubleTensor(2,3)，建议使用a.new_tensor

tensor([[0., 0., 0.],
        [0., 0., 0.]], dtype=torch.float64)

torch.zeros_like(a)

tensor([[0., 0., 0.],
        [0., 0., 0.]], dtype=torch.float64)

torch.zeros_like(a, dtype=torch.int16) #可以修改某些属性

tensor([[0, 0, 0],
        [0, 0, 0]], dtype=torch.int16)

torch.rand_like(a)

tensor([[0.4486, 0.3648, 0.5967],
        [0.0473, 0.3290, 0.6960]], dtype=torch.float64)

a.new_ones(4,5, dtype=torch.int)

tensor([[1, 1, 1, 1, 1],
        [1, 1, 1, 1, 1],
        [1, 1, 1, 1, 1],
        [1, 1, 1, 1, 1]], dtype=torch.int32)

a.new_tensor([3,4]) #

tensor([3., 4.], dtype=torch.float64)

逐元素操作

这部分操作会对tensor的每一个元素(point-wise，又名element-wise)进行操作，此类操作的输入与输出形状一致。常用的操作如表3-4所示。

表3-4: 常见的逐元素操作

对于很多操作，例如div、mul、pow、fmod等，PyTorch都实现了运算符重载，所以可以直接使用运算符。如a ** 2 等价于torch.pow(a,2), a * 2等价于torch.mul(a,2)。

其中clamp(x, min, max)的输出满足以下公式：
y_i =
\begin{cases}
min, & \text{if } x_i \lt min \
x_i, & \text{if } min \le x_i \le max \
max, & \text{if } x_i \gt max\
\end{cases}

clamp常用在某些需要比较大小的地方，如取一个tensor的每个元素与另一个数的较大值。

import torch

a = torch.arange(0, 6).view(2, 3).float()
torch.cos(a)

tensor([[ 1.0000,  0.5403, -0.4161],
        [-0.9900, -0.6536,  0.2837]])

a % 3# 等价于t.fmod(a, 3)

tensor([[0., 1., 2.],
        [0., 1., 2.]])

a ** 2 # 等价于t.pow(a, 2)

tensor([[ 0.,  1.,  4.],
        [ 9., 16., 25.]])

# 取a中的每一个元素与3相比较大的一个 (小于3的截断成3)
print(a)
torch.clamp(a, min=3)

tensor([[0., 1., 2.],
        [3., 4., 5.]])





tensor([[3., 3., 3.],
        [3., 4., 5.]])

b = a.sin_()# 效果同 a = a.sin();b=a ,但是更高效节省显存
a

tensor([[ 0.0000,  0.8415,  0.9093],
        [ 0.1411, -0.7568, -0.9589]])

归并操作

此类操作会使输出形状小于输入形状，并可以沿着某一维度进行指定操作。如加法sum，既可以计算整个tensor的和，也可以计算tensor中每一行或每一列的和。常用的归并操作如表3-5所示。

表3-5: 常用归并操作
在这里插入图片描述

以上大多数函数都有一个参数dim，用来指定这些操作是在哪个维度上执行的。关于dim(对应于Numpy中的axis)的解释众说纷纭，这里提供一个简单的记忆方式：

假设输入的形状是(m, n, k)

如果指定dim=0，输出的形状就是(1, n, k)或者(n, k)
如果指定dim=1，输出的形状就是(m, 1, k)或者(m, k)
如果指定dim=2，输出的形状就是(m, n, 1)或者(m, n)

size中是否有"1"，取决于参数keepdim，keepdim=True会保留维度1。注意，以上只是经验总结，并非所有函数都符合这种形状变化方式，如cumsum。

b = torch.ones(2,3)
b.sum(dim=0, keepdim=True)

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

# keepdim=False，不保留维度"1"，注意形状
b.sum(dim=0, keepdim=False)

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

b.sum(dim=1)

tensor([3., 3.])

a = torch.arange(0, 6).view(2, 3)
print(a)

a.cumsum(dim=1) # 沿着行累加

tensor([[0, 1, 2],
        [3, 4, 5]])





tensor([[ 0,  1,  3],
        [ 3,  7, 12]])

比较

比较函数中有一些是逐元素比较，操作类似于逐元素操作，还有一些则类似于归并操作。常用比较函数如表3-6所示。

表3-6: 常用比较函数
在这里插入图片描述

表中第一行的比较操作已经实现了运算符重载，因此可以使用a>=b、a>b、a!=b、a==b，其返回结果是一个ByteTensor，可用来选取元素。max/min这两个操作比较特殊，以max来说，它有以下三种使用情况：

t.max(tensor)：返回tensor中最大的一个数
t.max(tensor,dim)：指定维上最大的数，返回tensor和下标
t.max(tensor1, tensor2): 比较两个tensor相比较大的元素
至于比较一个tensor和一个数，可以使用clamp函数。下面举例说明。

a = torch.linspace(0,15,6).view(2,3)
a

tensor([[ 0.,  3.,  6.],
        [ 9., 12., 15.]])

b = torch.linspace(15, 0, 6).view(2, 3)
b

tensor([[15., 12.,  9.],
        [ 6.,  3.,  0.]])

a > b

tensor([[False, False, False],
        [ True,  True,  True]])

a[a>b] # a 大于 b的元素

tensor([ 9., 12., 15.])

torch.max(a)

tensor(15.)

torch.max(b, dim=1) 
# 第一个返回值的15和6分别表示第0行和第1行最大的元素
# 第二个返回值的0和0表示上述最大的数是该行第0个元素

torch.return_types.max(
values=tensor([15.,  6.]),
indices=tensor([0, 0]))

torch.max(a, b)

tensor([[15., 12.,  9.],
        [ 9., 12., 15.]])

# 比较a和10较大的元素
torch.clamp(a, min=10)

tensor([[10., 10., 10.],
        [10., 12., 15.]])

线性代数

PyTorch的线性函数主要封装了Blas和Lapack，其用法和接口都与之类似。常用的线性代数函数如表3-7所示。

表3-7: 常用的线性代数函数
在这里插入图片描述

需要注意的是，矩阵的转置会导致存储空间不连续，需调用它的.contiguous方法将其转为连续。

http://pytorch.org/docs/torch.html#blas-and-lapack-operations

b = a.t()
b.is_contiguous()

False

b.contiguous()

tensor([[ 0.,  9.],
        [ 3., 12.],
        [ 6., 15.]])

3.1.2 Tensor和Numpy

Tensor和Numpy数组之间具有很高的相似性，彼此之间的互操作也非常简单高效。需要注意的是，Numpy和Tensor共享内存。由于Numpy历史悠久，支持丰富的操作，所以当遇到Tensor不支持的操作时，可先转成Numpy数组，处理后再转回tensor，其转换开销很小

import numpy as np
a = np.ones([2,3], dtype=np.float32)
a

array([[1., 1., 1.],
       [1., 1., 1.]], dtype=float32)

b = torch.from_numpy(a)
b

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

b = torch.Tensor(a) #也可以直接将numpy对象传入Tensor
b

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

a[0, 1]=100
b

tensor([[  1., 100.,   1.],
        [  1.,   1.,   1.]])

c = b.numpy()# a, b, c三个对象共享内存
c

array([[  1., 100.,   1.],
       [  1.,   1.,   1.]], dtype=float32)

注意：当numpy的数据类型和Tensor的类型不一样的时候，数据会被复制，不会共享内存。

a = np.ones([2,3])
# 注意和上面的a的区别（dtype不是float32）
a.dtype

dtype('float64')

b = torch.Tensor(a)# 此处进行拷贝，不共享内存
b.dtype

torch.float32

c = torch.from_numpy(a)# 注意c的类型（DoubleTensor）
c

tensor([[1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)

a[0, 1] = 100
b # b与a不共享内存，所以即使a改变了，b也不变

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

c # c与a共享内存

tensor([[  1., 100.,   1.],
        [  1.,   1.,   1.]], dtype=torch.float64)

注意：不论输入的类型是什么，t.tensor都会进行数据拷贝，不会共享内存

tensor=torch.tensor(a)
tensor[0,0]=0
a

array([[  1., 100.,   1.],
       [  1.,   1.,   1.]])

3.1.3 广播法则

广播法则(broadcast)是科学运算中经常使用的一个技巧，它在快速执行向量化的同时不会占用额外的内存/显存。
Numpy的广播法则定义如下：

让所有输入数组都向其中shape最长的数组看齐，shape中不足的部分通过在前面加1补齐
两个数组要么在某一个维度的长度一致，要么其中一个为1，否则不能计算
当输入数组的某个维度的长度为1时，计算时沿此维度复制扩充成一样的形状

PyTorch当前已经支持了自动广播法则，但是笔者还是建议读者通过以下两个函数的组合手动实现广播法则，这样更直观，更不易出错：

unsqueeze或者view，或者tensor[None],：为数据某一维的形状补1，实现法则1
expand或者expand_as，重复数组，实现法则3；该操作不会复制数组，所以不会占用额外的空间。

注意，repeat实现与expand相类似的功能，但是repeat会把相同数据复制多份，因此会占用额外的空间。

a = torch.ones(3, 2)
b = torch.zeros(2, 3,1)

a + b 
# 自动广播法则
# 第一步：a是2维,b是3维，所以先在较小的a前面补1 ，
#               即：a.unsqueeze(0)，a的形状变成（1，3，2），b的形状是（2，3，1）,
# 第二步:   a和b在第一维和第三维形状不一样，其中一个为1 ，
#               可以利用广播法则扩展，两个形状都变成了（2，3，2）

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

        [[1., 1.],
         [1., 1.],
         [1., 1.]]])

# 手动广播法则
# 或者 a.view(1,3,2).expand(2,3,2)+b.expand(2,3,2)
a[None].expand(2,3,2) + b.expand(2,3,2)

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

        [[1., 1.],
         [1., 1.],
         [1., 1.]]])

# expand不会占用额外空间，只会在需要的时候才扩充，可极大节省内存
e = a.unsqueeze(0).expand(10000000000000, 3,2)

3.2 Pytorch的层次结构

Pytorch中一共有5个不同的层次结构，分别为硬件层、内核层、低阶API、中阶API和高阶API（torchkeras）

硬件层	底层的计算资源包括CPU和GPU
内核层	使用C++来实现
低阶API	Python实现的操作符，提供了封装C++内核的低级API指令，主要包括各种张量操作算子、自动微分、变量管理. 如torch.tensor,torch.cat,torch.autograd.grad,nn.Module.
中阶API	Python实现的模型组件，对低级API进行了函数封装，主要包括各种模型层，损失函数，优化器，数据管道等等。如 torch.nn.Linear,torch.nn.BCE,torch.optim.Adam,torch.utils.data.DataLoader.
高阶API	Python实现的模型接口。Pytorch没有官方的高阶API。为了便于训练模型，我们仿照 keras中的模型接口，使用了不到300行代码，封装了Pytorch的高阶模型接口 torchkeras.Model

3.3 数据

Pytorch主要通过Dataset和DataLoader进行构建数据管道

3.3.1 Dataset and DataLoader

Dataset	一个数据集抽象类，所有自定义的Dataset都需要继承它，并且重写__getitem__()或__get_sample__()这个类方法
DataLoader	一个可迭代的数据装载器。在训练的时候，每一个for循环迭代，就从DataLoader中获取一个batch_sieze大小的数据。

5.2 数据读取与预处理
DataLoader的参数如下

DataLoader(
 dataset,
 batch_size=1,
 shuffle=False,
 sampler=None,
 batch_sampler=None,
 num_workers=0,
 collate_fn=None,
 pin_memory=False,
 drop_last=False,
 timeout=0,
 worker_init_fn=None,
 multiprocessing_context=None,
)

主要实用的数据如下（着色）：

在这里插入图片描述
介绍一下Epoch、Iteration、Batchsize之间的关系：

dataloader读取数据的流程为：

从DataLoader开始
进入DataLoaderIter，判断单线程还是多线程
进入Sampler进行采样，获得一批一批的索引，这些索引告诉我们需要读取哪些数据、
进入DatasetFetcher，依据索引读取数据
Dataset告诉我们数据的地址
自定义的Dataset中会重写__getietm__方法，针对不同的数据来进行定制化的数据读取
到这里就获取的数据的Text和Label
进入collate_fn将之前获取的个体数据进行组合成batch
一个一个batch组成Batch Data

from torch.utils.data import DataLoader
from torch.utils.data.dataset import TensorDataset
 
# 自构建数据集
dataset = TensorDataset(torch.arange(1, 40))
dl = DataLoader(dataset,
                batch_size=10,
                shuffle=True,
                num_workers=1,
                drop_last=True)
# 数据输出
for batch in dl:
    print(batch)