PyTorch

Tensor Shapes

当我们想要对两个张量进行操作的时候，它们的shape必须是相同的，也就是说维度相同，而且每个维度里元素的个数相同。

>>> x = torch.empty(2,2,3)
>>> print(x.shape)
torch.Size([2, 2, 3])
>>> print(x)
tensor([[[-6.2546e+31,  4.5752e-41, -6.2546e+31],
         [ 4.5752e-41,  0.0000e+00,  0.0000e+00]],

        [[ 0.0000e+00,  0.0000e+00,  0.0000e+00],
         [ 0.0000e+00,  0.0000e+00,  0.0000e+00]]])

 .shape是张量的一个属性，x是一个3维的shape为2*2*3的张量

 下面是3个例子

>>> a = torch.FloatTensor([[[2,3]],[[3,2]]])
>>> print(a)
tensor([[[2., 3.]]])
>>> print(a.shape)
torch.Size([2, 1, 2])
>>> print(a.dim())
3

不太正规的理解：从第1个左方括号到数字，一共有3个左方括号，上面创建了1个3维张量。第1个[]内有两个元素，第2个[]内有1个元素，第3个[]内有两个元素，所以shape为2*1*2 。

>>> b = torch.FloatTensor([[2, 3]])
>>> print(b)
tensor([[2., 3.]])
>>> print(b.shape)
torch.Size([1, 2])
>>> print(b.dim())
2

 上面创建了1个2维张量，shape为1*2

>>> c = torch.FloatTensor(2,3)
>>> print(c)
tensor([[-1.0305e-23,  3.0833e-41, -1.0305e-23],
        [ 3.0833e-41,  1.4013e-45,  0.0000e+00]])
>>> print(c.shape)
torch.Size([2, 3])
>>> print(c.dim())
2

上面创建了一个2维张量，shape为2*3

创建张量的方法例如：

torch.FloatTensor——32位浮点类型

torch.ByteTensor——无符号8位整数

torch.LongTensor——有符号64位整数

a = torch.FloatTensor([2, 3])
b = torch.FloarTensor([[2, 3]])

 a和b是不相同的

torch.tensor()接受数组来创建张量

torch.tensor()创建的张量dtype=torch.int64

torch.Tensor()创建的张量dtype=torch.float32

nn.Module子类提供的方法：

• parameters():返回需要进行梯度计算的变量的迭代器
• zero_grad():将所有参数的梯度初始化为零
• to(device):将所有模块参数移至给定的设备（CPU或GPU）

类Sequential，将不同的层串起来：

损失函数：

• nn.MSELoss：参数之间的均方误差，是回归问题的标准损失。
• nn.BCELoss和nn.BCEWithLogits：二分类交叉熵损失。
• nn.CrossEntropyLoss和nn.NLLLoss：最大似然标准，用于多分类问题。

 优化器：

基本优化器的职责是获取模型参数的梯度，并更改这些参数来降低损失值。在torch.optim包中提供了一些优化器

• SGD：具有可选动量的普通随机梯度下降算法
• RMSprop：G Hinton提出的优化器
• Adagrad：自适应梯度优化器
• Adam：非常成功且流行的优化器，是RMSprop和Adagrad的组合