关键词:
1 认识Pytorch
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.
2 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.
3 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
4 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)
5 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()
- 矩阵的初始化:
-
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()
- 加法操作:
-
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.
- 将Torch Tensor转换为Numpy Array:
-
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)
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)
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
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)
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
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