x = d.new_ones(5, 3, dtype=torch.double)
print(x)
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
- 通过已有的一个张量创建相同尺寸的新张量
# 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)
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]])
2.2 张量的属性
- 获取张量的大小
print(y.size()) # torch.Size([5, 3])
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。
- 改变张量的形状
i = torch.randn(4, 4)
# tensor.view()操作需要保证数据元素的总数量不变
j = i.view(16)
# -1代表自动匹配个数
k = i.view(-1, 8)
print(i.size(), j.size(), k.size())
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
2.3 张量的运算
- 加法操作
第一种加法操作
print(x + y)
第二种加法操作
print(torch.add(x, y))
第三种加法操作
# 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)
第四种加法方式
# 原地置换
y.add_(x)
print(y)
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
2.4 获取张量元素
- 取出元素
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（真实值）
n = torch.randn(1)
print(n)
print(n.item())
tensor([-0.3531])
-0.3530771732330322
- 切片
用类似于Numpy 的方式对张量进行操作:
print(x[:, 1])
tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
2.5 类型转换
Torch Tensor和Numpy array的转换
a = torch.ones(5)
print(a) # tensor([1., 1., 1., 1., 1.])
- 将 Torch Tensor 转换为 Numpy array
b = a.numpy()
print(b) # [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)
# tensor([2., 2., 2., 2., 2.])
print(b)
# [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)
print(a)
# [1. 1. 1. 1. 1.]
print(b)
# tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
np.add(a, 1, out=a)
print(a)
# [2. 2. 2. 2. 2.]
print(b)
# 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
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。
关于Cuda Tensor: Tensors可以用
.to()方法来将其移动到任意设备上。
GPU：“cuda”
CPU：“cpu”
x = torch.zeros(5, 3, dtype=torch.long)
# 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))
tensor([[1, 1, 1],
[1, 1, 1],
[1, 1, 1],
[1, 1, 1],
[1, 1, 1]], device='cuda:0')
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
3 Pytorch中的 autograd
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），它提供了一个对 Tensors 上所有的操作进行自动微分的功能。
3.1 torch.Tensor 介绍
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（前提是属性.requires_grad设置为True）。 - 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（反向传播），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。 - 如果想终止对整个计算图的追踪回溯，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。
torch.Function是和torch.Tensor 同等重要的一个核心类，
torch.Function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。
3.2 torch.Tensor 操作
# 不设置requires\_grad
x1 = torch.ones(3, 3)
print(x1)
# 设置requires\_grad
x = torch.ones(2, 2, requires_grad=True)
print(x)
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 x 上执行一个加法操作
y = x + 2
print(y)
tensor([[3., 3.],
[3., 3.]], grad_fn=<AddBackward0>)
打印 Tensor 的grad_fn 属性：
print(x.grad_fn) # x是我们自定义的
# None
print(y.grad_fn) # y是通过加法计算出来的
# <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)
tensor([[27., 27.],
[27., 27.]], grad_fn=<MulBackward0>) tensor(27., grad_fn=<MeanBackward0>)
3.3 梯度Gradients
在Pytorch中，反向传播是依靠 .backward() 实现的。
# y = x+2
# z = z = y \* y \* 3
out.backward()
print(x.grad)
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) # True
print((x \*\* 2).requires_grad) # True
with torch.no_grad():
print((x \*\* 2).requires_grad) # 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) # True
y = x.detach()
print(y.requires_grad) # False
print(x.eq(y).all()) # tensor(True)
4 Pytorch的应用
4.1 Pytorch构建神经网络
使用 Pytorch 来构建神经网络，主要的工具都在
torch.nn包中。nn（Neural
Networks神经网络）依赖于autograd来定义模型，并对其自动求导。
构建神经网络的典型流程：
- 定义一个拥有可学习参数的神经网络
- 遍历训练数据集
- 处理输入数据使其流经神经网络
- 计算损失值
- 将网络参数的梯度进行反向传播
- 以一定的规则更新网络的权重（参数）
- 定义一个Pytorch实现的神经网络
4.2 Pytorch构建分类器
import torch
import torch.nn as nn
import torch.nn.functional as F
import torchvision # 使用torchvision操作CIFAR10数据集
import torchvision.transforms as transforms
# https://blog.csdn.net/m0\_59249046/article/details/126800077
# https://blog.csdn.net/qq\_51570094/article/details/123589421
transform = transforms.Compose([ # Compose把多个步骤整合到一起
# 1.将shape为(H,W,C)的数据维度转变为(C,H,W),其中C表示通道数,H表示高度,W表示宽度。
# 2. 将输入数据归一化到(0,1)的范围内,其归一化方法为除以255进行缩放
transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])
# 训练集
trainSet = torchvision.datasets.CIFAR10(root="./data", train=True, download=True, transform=transform)
trainLoader = torch.utils.data.DataLoader(trainSet, batch_size=4, shuffle=True)
# 测试集
testSet = torchvision.datasets.CIFAR10(root="./data", train=False, download=True, transform=transform)
testLoader = torch.utils.data.DataLoader(testSet, batch_size=4, shuffle=True)
# 标签值
classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
# 导入画图包和numpy
import matplotlib.pyplot as plt
import numpy as np
# 构建展示图片的函数
**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**
**[需要这份系统化资料的朋友，可以戳这里获取](https://gitee.com/vip204888)**
**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
