Pytorch基本语法

1.1 认识Pytorch
学习目标
了解什么是Pytorch.
掌握Pytorch的基本元素操作.
掌握Pytorch的基本运算操作.
什么是Pytorch
Pytorch是一个基于Numpy的科学计算包, 向它的使用者提供了两大功能.
作为Numpy的替代者, 向用户提供使用GPU强大功能的能力.
做为一款深度学习的平台, 向用户提供最大的灵活性和速度.
Pytorch的基本元素操作
Tensors张量: 张量的概念类似于Numpy中的ndarray数据结构, 最大的区别在于Tensor可以利用GPU的加速功能.

我们使用Pytorch的时候, 常规步骤是先将torch引用进来, 如下所示:

from __future__ import print_function
import torch
创建矩阵的操作
创建一个没有初始化的矩阵:
x = torch.empty(5, 3)
print(x)
输出结果:
tensor([[2.4835e+27, 2.5428e+30, 1.0877e-19],
[1.5163e+23, 2.2012e+12, 3.7899e+22],
[5.2480e+05, 1.0175e+31, 9.7056e+24],
[1.6283e+32, 3.7913e+22, 3.9653e+28],
[1.0876e-19, 6.2027e+26, 2.3685e+21]])
创建一个有初始化的矩阵:
x = torch.rand(5, 3)
print(x)
输出结果:
tensor([[0.1368, 0.8070, 0.4567],
[0.4369, 0.8278, 0.5552],
[0.6848, 0.4473, 0.1031],
[0.5308, 0.9194, 0.2761],
[0.0484, 0.9941, 0.2227]])
对比有无初始化的矩阵: 当声明一个未初始化的矩阵时, 它本身不包含任何确切的值. 当创建一个未初始化的矩阵时, 分配给矩阵的内存中有什么数值就赋值给了这个矩阵, 本质上是毫无意义的数据.
创建一个全零矩阵并可指定数据元素的类型为long
x = torch.zeros(5, 3, dtype=torch.long)
print(x)
输出结果:
tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
直接通过数据创建张量
x = torch.tensor([2.5, 3.5])
print(x)
输出结果:
tensor([2.5000, 3.3000])
通过已有的一个张量创建相同尺寸的新张量
# 利用news_methods方法得到一个张量
x = x.new_ones(5, 3, dtype=torch.double)
print(x)

# 利用randn_like方法得到相同张量尺寸的一个新张量, 并且采用随机初始化来对其赋值
y = torch.randn_like(x, dtype=torch.float)
print(y)
输出结果:
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)

tensor([[-0.1497, -0.5832, -0.3805],
[ 0.9001, 2.0637, 1.3299],
[-0.8813, -0.6579, -0.9135],
[-0.1374, 0.1000, -0.9343],
[-1.1278, -0.9140, -1.5910]])
得到张量的尺寸:
print(x.size())
输出结果:
torch.Size([5, 3])
注意:
torch.Size函数本质上返回的是一个tuple, 因此它支持一切元组的操作.
Pytorch的基本运算操作
加法操作:
y = torch.rand(5, 3)
print(x + y)
输出结果:
tensor([[ 1.6978, -1.6979, 0.3093],
[ 0.4953, 0.3954, 0.0595],
[-0.9540, 0.3353, 0.1251],
[ 0.6883, 0.9775, 1.1764],
[ 2.6784, 0.1209, 1.5542]])
第二种加法方式:
print(torch.add(x, y))
输出结果:
tensor([[ 1.6978, -1.6979, 0.3093],
[ 0.4953, 0.3954, 0.0595],
[-0.9540, 0.3353, 0.1251],
[ 0.6883, 0.9775, 1.1764],
[ 2.6784, 0.1209, 1.5542]])
第三种加法方式:
# 提前设定一个空的张量
result = torch.empty(5, 3)
# 将空的张量作为加法的结果存储张量
torch.add(x, y, out=result)
print(result)
输出结果:
tensor([[ 1.6978, -1.6979, 0.3093],
[ 0.4953, 0.3954, 0.0595],
[-0.9540, 0.3353, 0.1251],
[ 0.6883, 0.9775, 1.1764],
[ 2.6784, 0.1209, 1.5542]])
第四种加法方式: in-place (原地置换)
y.add_(x)
print(y)
输出结果:
tensor([[ 1.6978, -1.6979, 0.3093],
[ 0.4953, 0.3954, 0.0595],
[-0.9540, 0.3353, 0.1251],
[ 0.6883, 0.9775, 1.1764],
[ 2.6784, 0.1209, 1.5542]])
注意:
所有in-place的操作函数都有一个下划线的后缀.
比如x.copy_(y), x.add_(y), 都会直接改变x的值.
用类似于Numpy的方式对张量进行操作:
print(x[:, 1])
输出结果:
tensor([-2.0902, -0.4489, -0.1441, 0.8035, -0.8341])
改变张量的形状: torch.view()
x = torch.randn(4, 4)
# tensor.view()操作需要保证数据元素的总数量不变
y = x.view(16)
# -1代表自动匹配个数
z = x.view(-1, 8)
print(x.size(), y.size(), z.size())
输出结果:
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
如果张量中只有一个元素, 可以用.item()将值取出, 作为一个python number
x = torch.randn(1)
print(x)
print(x.item())
输出结果:
tensor([-0.3531])
-0.3530771732330322
关于Torch Tensor和Numpy array之间的相互转换
Torch Tensor和Numpy array共享底层的内存空间, 因此改变其中一个的值, 另一个也会随之被改变.
a = torch.ones(5)
print(a)
输出结果:
tensor([1., 1., 1., 1., 1.])
将Torch Tensor转换为Numpy array
b = a.numpy()
print(b)
输出结果:
[1. 1. 1. 1. 1.]
对其中一个进行加法操作, 另一个也随之被改变:
a.add_(1)
print(a)
print(b)
输出结果:
tensor([2., 2., 2., 2., 2.])
[2. 2. 2. 2. 2.]
将Numpy array转换为Torch Tensor:
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)
输出结果:
[2. 2. 2. 2. 2.]
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
注意:
所有在CPU上的Tensors, 除了CharTensor, 都可以转换为Numpy array并可以反向转换.
关于Cuda Tensor: Tensors可以用.to()方法来将其移动到任意设备上.
# 如果服务器上已经安装了GPU和CUDA
if torch.cuda.is_available():
# 定义一个设备对象, 这里指定成CUDA, 即使用GPU
device = torch.device("cuda")
# 直接在GPU上创建一个Tensor
y = torch.ones_like(x, device=device)
# 将在CPU上面的x张量移动到GPU上面
x = x.to(device)
# x和y都在GPU上面, 才能支持加法运算
z = x + y
# 此处的张量z在GPU上面
print(z)
# 也可以将z转移到CPU上面, 并同时指定张量元素的数据类型
print(z.to("cpu", torch.double))
输出结果:
tensor([0.6469], device='cuda:0')
tensor([0.6469], dtype=torch.float64)
小节总结
学习了什么是Pytorch.

Pytorch是一个基于Numpy的科学计算包, 作为Numpy的替代者, 向用户提供使用GPU强大功能的能力.
做为一款深度学习的平台, 向用户提供最大的灵活性和速度.
学习了Pytorch的基本元素操作.

矩阵的初始化:
torch.empty()
torch.rand(n, m)
torch.zeros(n, m, dtype=torch.long)
其他若干操作:
x.new_ones(n, m, dtype=torch.double)
torch.randn_like(x, dtype=torch.float)
x.size()
学习了Pytorch的基本运算操作.

加法操作:
x + y
torch.add(x, y)
torch.add(x, y, out=result)
y.add_(x)
其他若干操作:
x.view()
x.item()
学习了Torch Tensor和Numpy Array之间的相互转换.

将Torch Tensor转换为Numpy Array:
b = a.numpy()
将Numpy Array转换为Torch Tensor:
b = torch.from_numpy(a)
注意: 所有才CPU上的Tensor, 除了CharTensor, 都可以转换为Numpy Array并可以反向转换.
学习了任意的Tensors可以用.to()方法来将其移动到任意设备上.

x = x.to(device)
1.2 Pytorch中的autograd
学习目标
掌握自动求导中的Tensor概念和操作.
掌握自动求导中的梯度Gradients概念和操作.
在整个Pytorch框架中, 所有的神经网络本质上都是一个autograd package(自动求导工具包)
autograd package提供了一个对Tensors上所有的操作进行自动微分的功能.
关于torch.Tensor
torch.Tensor是整个package中的核心类, 如果将属性.requires_grad设置为True, 它将追踪在这个类上定义的所有操作. 当代码要进行反向传播的时候, 直接调用.backward()就可以自动计算所有的梯度. 在这个Tensor上的所有梯度将被累加进属性.grad中.
如果想终止一个Tensor在计算图中的追踪回溯, 只需要执行.detach()就可以将该Tensor从计算图中撤下, 在未来的回溯计算中也不会再计算该Tensor.
除了.detach(), 如果想终止对计算图的回溯, 也就是不再进行方向传播求导数的过程, 也可以采用代码块的方式with torch.no_grad():, 这种方式非常适用于对模型进行预测的时候, 因为预测阶段不再需要对梯度进行计算.
关于torch.Function:
Function类是和Tensor类同等重要的一个核心类, 它和Tensor共同构建了一个完整的类, 每一个Tensor拥有一个.grad_fn属性, 代表引用了哪个具体的Function创建了该Tensor.
如果某个张量Tensor是用户自定义的, 则其对应的grad_fn is None.
关于Tensor的操作
x1 = torch.ones(3, 3)
print(x1)

x = torch.ones(2, 2, requires_grad=True)
print(x)
输出结果:
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])

tensor([[1., 1.],
[1., 1.]], requires_grad=True)
在具有requires_grad=True的Tensor上执行一个加法操作
y = x + 2
print(y)
输出结果:
tensor([[3., 3.],
[3., 3.]], grad_fn=<AddBackward0>)
打印Tensor的grad_fn属性:
print(x.grad_fn)
print(y.grad_fn)
输出结果:
None
<AddBackward0 object at 0x10db11208>
在Tensor上执行更复杂的操作:
z = y * y * 3
out = z.mean()
print(z, out)
输出结果:
tensor([[27., 27.],
[27., 27.]], grad_fn=<MulBackward0>) tensor(27., grad_fn=<MeanBackward0>)
关于方法.requires_grad_(): 该方法可以原地改变Tensor的属性.requires_grad的值. 如果没有主动设定默认为False.
a = torch.randn(2, 2)
a = ((a * 3) / (a - 1))
print(a.requires_grad)
a.requires_grad_(True)
print(a.requires_grad)
b = (a * a).sum()
print(b.grad_fn)
输出结果:
False
True
<SumBackward0 object at 0x7f191afd6be0>
关于梯度Gradients
在Pytorch中, 反向传播是依靠.backward()实现的.
out.backward()
print(x.grad)
输出结果:
tensor([[4.5000, 4.5000],
[4.5000, 4.5000]])
关于自动求导的属性设置: 可以通过设置.requires_grad=True来执行自动求导, 也可以通过代码块的限制来停止自动求导.
print(x.requires_grad)
print((x ** 2).requires_grad)

with torch.no_grad():
print((x ** 2).requires_grad)
输出结果:
True
True
False
可以通过.detach()获得一个新的Tensor, 拥有相同的内容但不需要自动求导.
print(x.requires_grad)
y = x.detach()
print(y.requires_grad)
print(x.eq(y).all())
输出结果:
True
False
tensor(True)
文章知识点与官方知识档案匹配，可进一步学习相关知识
————————————————
版权声明：本文为CSDN博主「AI耽误的大厨」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_46556352/article/details/124389112