正文

超详细pytorch入门教程(代码片段)

ZSYL  ZSYL  2022-12-15  243

关键词：

Pytorch 入门教程（二）

Pytorch 入门教程（一）
1. 张量Tensor
2. Pytorch中创建张量
3. Pytorch中tensor的常用方法
4. tensor的数据类型
5. tensor的其他操作

Pytorch 入门教程（一）

请参考：【超详细】Pytorch 入门教程（一）

学习目标：

知道张量和Pytorch中的张量
知道pytorch中如何创建张量
知道pytorch中tensor的常见方法
知道pytorch中tensor的数据类型
知道pytorch中如何实现tensor在cpu和cuda中转化

1. 张量Tensor

张量是一个统称，其中包含很多类型：

0阶张量：标量、常数，0-D Tensor
1阶张量：向量，1-D Tensor
2阶张量：矩阵，2-D Tensor
3阶张量
…
N阶张量

2. Pytorch中创建张量

使用python中的列表或者序列创建tensor

torch.tensor([[1., -1.], [1., -1.]])
tensor([[ 1.0000, -1.0000],
        [ 1.0000, -1.0000]])

使用numpy中的数组创建tensor

torch.tensor(np.array([[1, 2, 3], [4, 5, 6]]))
tensor([[ 1,  2,  3],
        [ 4,  5,  6]])

使用torch的api创建tensor
1. torch.empty(3,4)创建3行4列的空的tensor，会用无用数据进行填充
2. torch.ones([3,4]) 创建3行4列的全为1的tensor
3. torch.zeros([3,4])创建3行4列的全为0的tensor
4. torch.rand([3,4]) 创建3行4列的随机值的tensor，随机值的区间是[0, 1)
```
>>> torch.rand(2, 3)
tensor([[ 0.8237,  0.5781,  0.6879],
[ 0.3816,  0.7249,  0.0998]])
```
5. torch.randint(low=0,high=10,size=[3,4]) 创建3行4列的随机整数的tensor，随机值的区间是[low, high)
```
>>> torch.randint(3, 10, (2, 2))
tensor([[4, 5],
	[6, 7]])
```
6. torch.randn([3,4]) 创建3行4列的随机数的tensor，随机值的分布式均值为0，方差为1

3. Pytorch中tensor的常用方法

获取tensor中的数据(当tensor中只有一个元素可用)：tensor.item()

In [10]: a = torch.tensor(np.arange(1))

In [11]: a
Out[11]: tensor([0])

In [12]: a.item()
Out[12]: 0

转化为numpy数组

In [55]: z.numpy()
Out[55]:
array([[-2.5871205],
       [ 7.3690367],
       [-2.4918075]], dtype=float32)

获取形状：tensor.size()

In [72]: x
Out[72]:
tensor([[    1,     2],
        [    3,     4],
        [    5,    10]], dtype=torch.int32)

In [73]: x.size()
Out[73]: torch.Size([3, 2])

形状改变：tensor.view((3,4))。类似numpy中的reshape，是一种浅拷贝，仅仅是形状发生改变

In [76]: x.view(2,3)
Out[76]:
tensor([[    1,     2,     3],
        [    4,     5,    10]], dtype=torch.int32)

获取阶数：tensor.dim()
```
In [77]: x.dim()
Out[77]: 2
```

获取最大值：tensor.max()

In [78]: x.max()
Out[78]: tensor(10, dtype=torch.int32)

转置：tensor.t()

In [79]: x.t()
Out[79]:
tensor([[    1,     3,     5],
        [    2,     4, 	  10]], dtype=torch.int32)

二维：tensor.t() / tensor.transpose(0, 1)
高维：tensor.transpose(1, 2) / tensor.permute(0, 2, 1)

tensor[1,3] 获取tensor中第一行第三列的值
tensor[1,3]=100 对tensor中第一行第三列的位置进行赋值100
tensor的切片

In [101]: x
Out[101]:
tensor([[1.6437, 1.9439, 1.5393],
        [1.3491, 1.9575, 1.0552],
        [1.5106, 1.0123, 1.0961],
        [1.4382, 1.5939, 1.5012],
        [1.5267, 1.4858, 1.4007]])

In [102]: x[:,1]
Out[102]: tensor([1.9439, 1.9575, 1.0123, 1.5939, 1.4858])

4. tensor的数据类型

tensor中的数据类型非常多，常见类型如下：

上图中的Tensor types表示这种type的tensor是其实例

获取tensor的数据类型:tensor.dtype
```
In [80]: x.dtype
Out[80]: torch.int32
```

创建数据的时候指定类型

In [88]: torch.ones([2,3],dtype=torch.float32)
Out[88]:
tensor([[9.1167e+18, 0.0000e+00, 7.8796e+15],
        [8.3097e-43, 0.0000e+00, -0.0000e+00]])

类型的修改

In [17]: a
Out[17]: tensor([1, 2], dtype=torch.int32)

In [18]: a.type(torch.float)
Out[18]: tensor([1., 2.])

In [19]: a.double()
Out[19]: tensor([1., 2.], dtype=torch.float64)

5. tensor的其他操作

tensor和tensor相加

In [94]: x = x.new_ones(5, 3, dtype=torch.float)

In [95]: y = torch.rand(5, 3)

In [96]: x+y
Out[96]:
tensor([[1.6437, 1.9439, 1.5393],
        [1.3491, 1.9575, 1.0552],
        [1.5106, 1.0123, 1.0961],
        [1.4382, 1.5939, 1.5012],
        [1.5267, 1.4858, 1.4007]])
In [98]: torch.add(x,y)
Out[98]:
tensor([[1.6437, 1.9439, 1.5393],
        [1.3491, 1.9575, 1.0552],
        [1.5106, 1.0123, 1.0961],
        [1.4382, 1.5939, 1.5012],
        [1.5267, 1.4858, 1.4007]])
In [99]: x.add(y)
Out[99]:
tensor([[1.6437, 1.9439, 1.5393],
        [1.3491, 1.9575, 1.0552],
        [1.5106, 1.0123, 1.0961],
        [1.4382, 1.5939, 1.5012],
        [1.5267, 1.4858, 1.4007]])
In [100]: x.add_(y)  #带下划线的方法会对x进行就地修改
Out[100]:
tensor([[1.6437, 1.9439, 1.5393],
        [1.3491, 1.9575, 1.0552],
        [1.5106, 1.0123, 1.0961],
        [1.4382, 1.5939, 1.5012],
        [1.5267, 1.4858, 1.4007]])

In [101]: x #x发生改变
Out[101]:
tensor([[1.6437, 1.9439, 1.5393],
        [1.3491, 1.9575, 1.0552],
        [1.5106, 1.0123, 1.0961],
        [1.4382, 1.5939, 1.5012],
        [1.5267, 1.4858, 1.4007]])

注意：带下划线的方法（比如:add_)会对tensor进行就地修改

tensor和数字操作

In [97]: x +10
Out[97]:
tensor([[11., 11., 11.],
        [11., 11., 11.],
        [11., 11., 11.],
        [11., 11., 11.],
        [11., 11., 11.]])

CUDA中的tensor

CUDA（Compute Unified Device Architecture），是NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。

torch.cuda这个模块增加了对CUDA tensor的支持，能够在cpu和gpu上使用相同的方法操作tensor

通过.to方法能够把一个tensor转移到另外一个设备(比如从CPU转到GPU)

#device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
if torch.cuda.is_available():
    device = torch.device("cuda")          # cuda device对象
    y = torch.ones_like(x, device=device)  # 创建一个在cuda上的tensor
    x = x.to(device)                       # 使用方法把x转为cuda 的tensor
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))       # .to方法也能够同时设置类型
    
>>tensor([1.9806], device='cuda:0')
>>tensor([1.9806], dtype=torch.float64)

通过前面的学习，可以发现torch的各种操作几乎和numpy一样。

加油!

感谢!

努力!

深度学习为什么选择pytorch？史上最详细pytorch入门教程(代码片段)

目录前言一、Pytorch介绍1.常见的深度学习框架2.Pytorch框架的崛起3.Pytorch与Tensorflow多方位比较二、Tensors1.Tensor的创建2.Tensor的操作3.Tensor与Numpy三、Autograd的讲解1.模型中的前向传播与反向传播2.利用autograd计算梯度四、构建神经网络... 查看详情

卷积神经网络实战——表情识别（pytorch）超详细理解，含pyqt5的可操作界面(代码片段)

卷积神经网络实战——表情识别（Pytorch）这里作一下申明，之前对于神经网络的搭建解释的不够全面，这里进行补充，训练过程的代码可能太过繁琐不好理解，现在进行补充和修改，然后关于数... 查看详情

联邦学习代码解读，超详细(代码片段)

...ts,2016.参考代码：https://github.com/AshwinRJ/Federated-Learning-PyTorch用Pytorch开发项目的时候，常常将项目代码分为数据处理模块、模型构建模块与训练控制模块。联邦学习伪代码主函数federated_main.py#!/usr/bin/envpython#-*-coding:utf-8-*-#Py... 查看详情

超详细的的pytorch安装教程，成功率高，适合初学者，亲测可用。(代码片段)

啰嗦几句：网上的教程很多，安装的方法多种多样，操作复杂，成功率还不高。小编在淘宝专门帮助不会安装的小伙伴远程配置环境，这方法都是测试过了，适用大部分人的，完全按照文章来操作，... 查看详情

echarts实现数据可视化入门教程（超详细）(代码片段)

ECharts实现数据可视化入门教程（超详细）ECharts介绍ECharts入门教程第一步：下载并引入scharts.js文件第二步：编写代码目录结构编写index.html代码效果展示ECharts的基础配置主要配置（常用的）案例讲解补充示... 查看详情

numpy超详细教程：ndarray的内部机理及高级迭代(代码片段)

系列文章地址NumPy最详细教程（1）：NumPy数组NumPy超详细教程（2）：数据类型NumPy超详细教程（3）：ndarray的内部机理及高级迭代ndarray对象的内部机理在前面的内容中，我们已经详细讲述了ndarray的使用，在本章的开始部分，... 查看详情

基于pytorch实现图片去模糊降噪，超详细，有代码，数据，可直接运行。

教大家一下，图片去模糊降噪的基本方法和完整的实验流程。目录简介：环境配置参数设置数据显示查看详情

超详细博客入门编写教程(代码片段)

这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左... 查看详情

windows10pytorch1.5安装教程|很详细(代码片段)

文章目录一、Win10系统查看CUDA版本二、安装PyTorch一、Win10系统查看CUDA版本Windows左下角搜索控制面板搜索控制面板打开进入界面，如下所示：点击NVIDIA控制面板进入，点击帮助、系统信息(I)进入界面，如下所示ÿ... 查看详情

超详细的typescript入门教程！(代码片段)

在看这篇文章之前，我是强烈推荐TypeScript入门教程这本书的。因为这本书它是：从JavaScript程序员的角度总结思考，循序渐进的理解TypeScript。文章来源也是该书，但听我一句话：无论任何文档乃至官方自己出... 查看详情

超详细的typescript入门教程！(代码片段)

nmap使用教程图文教程（超详细）(代码片段)

Nmap使用教程一、端口扫描1.指定端口2.指定扫描方式2.1TCP全连接扫描2.2SYN半链接扫描2.3隐秘扫描二、主机探测三、服务识别四、系统识别五、扫描结果导出kali的命令行中可以直接使用nmap命令，打开一个「终端」，输入nmap... 查看详情

python基础教程,python入门教程(超详细)(代码片段)

Python由荷兰数学和计算机科学研究学会于1990年代初设计，作为一门叫做ABC语言的替代品。Python语法和动态类型，以及解释型语言的本质，使它成为多数平台上写脚本和快速开发应用的编程语言。目录为什么使用PythonPy... 查看详情

k8s核心组件详细介绍教程（配超详细实例演示）(代码片段)

本文实验环境基于上篇文章手把手从零开始搭建k8s集群超详细教程本文根据B站课程云原生Java架构师的第一课K8s+Docker+KubeSphere+DevOps学习总结而来k8s核心组件介绍1.Namespace2.Pod1.pod相关命令2.实例——创建一个包含redis容器... 查看详情

k8s核心组件详细介绍教程（配超详细实例演示）(代码片段)

04unityar2022vuforia——虚拟按钮超详细教程含代码(代码片段)

【04】UnityAR2022Vuforia——虚拟按钮超详细教程【含代码】虚拟按钮超详细教程【含代码】目录【04】UnityAR2022Vuforia——虚拟按钮超详细教程【含代码】1.前期工作2.创建VirtualButton3.创建Cube和Sphere4.虚拟按钮命名5.完成小tips以便于测... 查看详情

python入门教程：超详细1小时学会python(代码片段)

本文阅读时间9分钟1.Helloworld安装完Python之后，打开IDLE(PythonGUI)，该程序是Python语言解释器,你写的语句能够立即运行。我们写下一句著名的程序语句：并按回车，你就能看到这句被K&R引入到程序世界的名言。在... 查看详情

pytorch安装教程（最全最详细版）(代码片段)

...08;一）CUDA概述（二）安装二、Anaconda安装三、Pytorch安装（一）GPU版本安装方法一方法二（二）CPU版本安装概述PyTorch是一个开源的深度学习框架，提供了各种张量操作并通过自动求导可以自动进行梯... 查看详情