Pytorch学习笔记1

您所在的位置：网站首页 › python打印矩阵大小 › Pytorch学习笔记1

Pytorch学习笔记1

2024-07-09 14:13| 来源: 网络整理| 查看: 265

转自Github：Pytorch学习，发在这里完全是为了方便自己做笔记、复习知识，有需要的可以来看看。

PyTorch是什么?

基于Python的科学计算包，服务于以下两种场景:

作为NumPy的替代品，可以使用GPU的强大计算能力提供最大的灵活性和高速的深度学习研究平台

一、Tensors（张量）

Tensors与Numpy中的 ndarrays类似，但是在PyTorch中 Tensors 可以使用GPU进行计算.

from __future__ import print_function import torch 1.创建矩阵：

创建一个 5x3 矩阵, 但是未初始化:

x = torch.empty(5, 3) print(x) tensor([[0.0000, 0.0000, 0.0000], [0.0000, 0.0000, 0.0000], [0.0000, 0.0000, 0.0000], [0.0000, 0.0000, 0.0000], [0.0000, 0.0000, 0.0000]])

创建一个随机初始化的矩阵:

x = torch.rand(5, 3) print(x) tensor([[0.6972, 0.0231, 0.3087], [0.2083, 0.6141, 0.6896], [0.7228, 0.9715, 0.5304], [0.7727, 0.1621, 0.9777], [0.6526, 0.6170, 0.2605]])

创建一个0填充的矩阵，数据类型为long: dtype=torch.long

x = torch.zeros(5, 3, dtype=torch.long) print(x) tensor([[0, 0, 0], [0, 0, 0], [0, 0, 0], [0, 0, 0], [0, 0, 0]])

创建tensor并使用现有数据初始化:

x = torch.tensor([5.5, 3]) print(x) tensor([5.5000, 3.0000])

new_* 方法创建对象，对象的覆盖：

x = x.new_ones(5, 3, dtype=torch.double) print(x) x = torch.randn_like(x, dtype=torch.float) # 覆盖 dtype! print(x) # 对象的size 是相同的，只是值和类型发生了变化 tensor([[1., 1., 1.], [1., 1., 1.], [1., 1., 1.], [1., 1., 1.], [1., 1., 1.]], dtype=torch.float64) tensor([[ 0.5691, -2.0126, -0.4064], [-0.0863, 0.4692, -1.1209], [-1.1177, -0.5764, -0.5363], [-0.4390, 0.6688, 0.0889], [ 1.3334, -1.1600, 1.8457]]) #根据现有的张量创建张量。 #这些方法将重用输入张量的属性，例如 dtype， #除非设置新的值进行覆盖。

获取 size:

使用size方法与Numpy的shape属性返回的相同，张量也支持shape属性，后面会详细介绍

print(x.size()) torch.Size([5, 3])

Note： torch.Size 返回值是 tuple类型, 所以它支持tuple类型的所有操作.

2.操作

操作有多种语法，我们先看一下加法运算。

加法1:print(x + y)

加法2:print(torch.add(x, y))

提供输出tensor作为参数: (这个我没太看懂

result = torch.empty(5, 3) torch.add(x, y, out=result) print(result) tensor([[ 0.7808, -1.4388, 0.3151], [-0.0076, 1.0716, -0.8465], [-0.8175, 0.3625, -0.2005], [ 0.2435, 0.8512, 0.7142], [ 1.4737, -0.8545, 2.4833]]) 替换 y.add_(x) print(y) tensor([[ 0.7808, -1.4388, 0.3151], [-0.0076, 1.0716, -0.8465], [-0.8175, 0.3625, -0.2005], [ 0.2435, 0.8512, 0.7142], [ 1.4737, -0.8545, 2.4833]])

Note：任何以_ 结尾的操作都会用结果替换原变量. 例如: x.copy_(y), x.t_(), 都会改变 x.

你可以使用与NumPy索引方式相同的操作来进行对张量的操作：x[:, 1] print(x[:, 1]) tensor([-2.0126, 0.4692, -0.5764, 0.6688, -1.1600]) # torch.view: 可以改变张量的维度和大小 torch.view： torch.view 与Numpy的reshape类似 x = torch.randn(4, 4) y = x.view(16) z = x.view(-1, 8) # size -1 从其他维度推断 print(x.size(), y.size(), z.size()) torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

如果你有只有一个元素的张量，使用.item()来得到Python数据类型的数值

x = torch.randn(1) print(x) print(x.item()) tensor([-0.2368]) -0.23680149018764496

Read later: 100+ Tensor operations, including transposing, indexing, slicing, mathematical operations, linear algebra, random numbers, etc., are described here https://pytorch.org/docs/torch_.

二、NumPy 转换

将一个Torch Tensor转换为NumPy数组是一件轻松的事，反之亦然。

Torch Tensor与NumPy数组共享底层内存地址，修改一个会导致另一个的变化。

将一个Torch Tensor转换为NumPy数组：

a = torch.ones(5) print(a) b = a.numpy() print(b) tensor([1., 1., 1., 1., 1.]) [1. 1. 1. 1. 1.]

观察numpy数组的值是如何改变的：

a.add_(1) print(a) print(b) tensor([2., 2., 2., 2., 2.]) [2. 2. 2. 2. 2.] # NumPy Array 转化成 Torch Tensor

使用from_numpy自动转化：

import numpy as np a = np.ones(5) b = torch.from_numpy(a) np.add(a, 1, out=a) print(a) print(b) [2. 2. 2. 2. 2.] tensor([2., 2., 2., 2., 2.], dtype=torch.float64) # 所有的 Tensor 类型默认都是基于CPU， CharTensor 类型不支持到 NumPy 的转换. 三、CUDA 张量：

（我没看懂）

使用.to 方法可以将Tensor移动到任何设备中 is_available函数判断是否有cuda可以使用 torch.device将张量移动到指定的设备中

if torch.cuda.is_available(): # 判断是否有cuda可以使用 device = torch.device("cuda") # a CUDA 设备对象 y = torch.ones_like(x, device=device) # 直接从GPU创建张量 x = x.to(device) # 或者直接使用``.to("cuda")``将张量移动到cuda中 z = x + y print(z) print(z.to("cpu", torch.double)) # ``.to`` 也会对变量的类型做更改 tensor([0.7632], device='cuda:0') tensor([0.7632], dtype=torch.float64)

【本文地址】

Pytorch学习笔记1

Pytorch学习笔记1

今日新闻

推荐新闻