60分钟学pytorch

本文会持续更新，直至完成pytorch中的60分入门文档部分，目前为tensor的基础操作部分

本文代码github:https://github.com/amazingzby/pytorch_tutorial

    pytorch官方文档给初学者提供了一份pytorch的入门教程：DEEP LEARNING WITH PYTORCH: A 60 MINUTE BLITZ 。本文是此教程的学习笔记，也可以理解为对官方文档的翻译。通过学习，可以基本理解如下问题：

a.理解pytorch 的tensor和神经网络基本操作；

b.训练一个简单的图像分类神经网络。

本文为pytorch 有关Tensor的基本操作

     pytorch中的tensor可以理解为numpy的GPUs版本。

     构建一个5*3，未初始化的矩阵：

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

      输出结果为：

      tensor([[8.4490e-39, 1.0194e-38, 9.0919e-39],
        [8.4490e-39, 8.9082e-39, 9.8265e-39],
        [1.0102e-38, 1.0561e-38, 1.0194e-38],
        [9.2755e-39, 1.0010e-38, 8.4490e-39],
        [8.7245e-39, 1.0102e-38, 1.0653e-38]])

构建5*3，随机初始化矩阵：

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

5*3的零矩阵：

x = torch.zeros(5,3,dtype=torch.long)#零矩阵
print(x)

用数组构建tensor：

x = torch.tensor([5.5, 3])
print(x)

  输出：tensor([5.5000, 3.0000])

在现有tensor的基础上构建tensor，新的tensor保持旧tensor的一些属性（如形状和类型），除非新的tensor指定新的属性：

x = x.new_ones(5, 3, dtype=torch.double)      # 新的tensor指定了形状和dtype
print(x)

x = torch.randn_like(x, dtype=torch.float)    # 指定dtype，保留原来的形状
print(x)

获得tensor的形状参数：

print(x.size())

加操作：

y = torch.rand(5, 3)
print(x + y)
print(torch.add(x,y))

result = torch.empty(5, 3)
torch.add(x, y, out=result)#将x+y赋值给result
print(result)

y.add_(x)
print(y) #类似于y+=x

使用类似于numpy的切片操作：

print(x[:, 1])

torch.view 类似于numpy中的reshape

x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8)  # the size -1 is inferred from other dimensions
print(x.size(), y.size(), z.size())

如果tensor只有一个数字，使用item()方法来获得这个数值：

x = torch.randn(1)
print(x)
print(x.item())

将tensor转化为numpy,此时如果改变tensor的数值，numpy类型的数值也会改变，类似于C++中的指针:

a = torch.ones(5)
b = a.numpy()
a.add_(1)
print(a)# tensor([2., 2., 2., 2., 2.])
print(b) #[2. 2. 2. 2. 2.] a中元素发生改变，b也随着a的改变而改变

 

numpy转化为tensor：

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)   #[2. 2. 2. 2. 2.]
print(b)   #tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

使用to方法将cpu数据移入到gpu中，或者将gpu数据移到cpu中（要求安装gpu版本的pytorch）：

if torch.cuda.is_available():
    device = torch.device("cuda")
    y = torch.ones_like(x,device=device)
    x = x.to(device)
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))