pytorch学习笔记十七：官方API文档小总结

一、torch下的常用API，基本上都是对数据进行处理的函数

①操作数据：

torch.is_tensor,torch.set_default_dtype,torch.get_default_dtype,torch.cat,torch.index_select,torch.reshape,torch.squeeze,torch.t,torch.unsqueeze,torch.transpose,torch.take,torch.where

②定义数据(tensor)：

torch.tensor,torch.empty,torch.empty_like,torch.full,torch.full_like,torch.ones，
torch.ones_like,torch.zeros,torch.zeros_like,torch.range,torch.arange,torch.line(log)space

③数据转换(主要是从ndarray转过来)：

torch.from_numpy，torch.as_tensor()

④随机数：

torch.normal，torch.rand，torch.rand_like，torch.randint，torch.randint_like，torch.randn，torch.randn_like，

⑤数学计算

一般数学计算:torch.abs，torch.add，torch.clamp，torch.exp，torch.log，torch.log10，torch.mm，torch.mul，torch.pow，torch.round，torch.sigmoid，torch.sin，torch.sqrt，

计算数据特征(平均值，方差等等)：torch.argmax，torch.argmin，torch.median，torch.norm，torch.std，torch.sum，torch.unique，torch.var，

数据分析与处理：torch.eq，torch.equal，torch.isfinite，torch.isinf，torch.isnan，torch.sort，

谱计算(如fft,ifft)：torch.fft，torch.ifft，torch.rfft，torch.hamming_window(汉明窗)

⑥设置计算设备：

device=torch.device(“cpu:0”)或者torch.device(“cuda:0”),也可以直接写”cpu”,”cuda”

二、torch.nn下的常用API，主要是用来搭建网络和对网络进行设置的函数

①torch.nn.Module，几乎所有的模型包括layer都是继承于torch.nn.Module类，这样的模型都有以下一些属性，调用格式是model.：

add_module(name, module)，zero_grad()，apply(fn)，cpu()，cuda(device=None)，eval()train(mode=True),float(),to(device=None,dtype=None),requires_grad_(requires_grad=True),

②查看模型的层或者参数：

modules(),named_modules(),._modules,parameters(),named_parameters(),children(),named_children(),(带named的函数会同时返回layers和names)；state_dict()(字典),load_state_dict(state_dict),

③构建模型：

torch.nn.Sequential，torch.nn.ModuleList，torch.nn.ModuleDict

④添加模型参数：

torch.nn.ParameterList,torch.nn.ParameterDict

⑤layers：

卷积层：torch.nn.Conv2d，torch.nn.ConvTranspose2d，
线性层：torch.nn.Linear，torch.nn.Bilinear(双线性)
池化层：torch.nn.MaxPool2d，torch.nn.AvgPool2d；
展平层：torch.nn.Flatten
归一化层：torch.nn.BatchNorm2d，
丢弃层：torch.nn.Dropout，torch.nn.AlphaDropout(丢弃一部分后，不会改变数据的原方差和均值)
激活函数：torch.nn.LeakyReLU，torch.nn.LogSigmoid，torch.nn.ReLU，torch.nn.SELU，torch.nn.Sigmoid，torch.nn.Tanh，torch.nn.Softmax，
损失函数：torch.nn.MSELoss，torch.nn.CrossEntropyLoss，torch.nn.L1Loss，torch.nn.BCELoss
上采样：torch.nn.Upsample，torch.nn.UpsamplingNearest2d，torch.nn.UpsamplingBilinear2d

三、torch.nn.functional下常用API,主要是一些损失函数和layers,和torch.nn很相似

1、它的几乎所有的函数在torch.nn下都能找到，尤其是那些layers，但是这些相同名字的函数在两个不同的namespace下有以下几个不同点：

2、当然还有一些torch.nn下没有的或者都有，但是较常用torch.nn.functional下的

①onehot编码：torch.nn.functional.one_hot(tensor, num_classes=-1)
②loss函数(一般用这个，不用torch.nn的)
torch.nn.functional.binary_cross_entropy_with_logits,torch.nn.functional.binary_cross_entropy,torch.nn.functional.cross_entropy,torch.nn.functional.l1_loss,torch.nn.functional.mse_loss，torch.nn.functional.nll_loss，
③上采样：torch.nn.functional.upsample，torch.nn.functional.upsample_bilinear
torch.nn.functional.upsample_nearest

四、torch.Tensor，先定义tensor=torch.tensor()，然后下面是对tensor能进行的操作

1、torch中的数据类型，主要分为dtype,CPU tensor,GPU tensor三种类型


2、tensor自身的属性，很多和torch下的函数差不多，但是它是tensor自己的属性，调用方式是tensor.；而前者的调用方式是torch.

①定义数据：tensor.new_tensor，tensor.new_full，tensor.new_ones，tensor.new_empty，tensor.new_zeros

②查看tensor的属性：tensor.is_cuda，tensor.device，tensor.grad(常用)，tensor.ndim，requires_grad

③对tensor进行计算操作：tensor.T，tensor.abs() ，tensor.abs_()，tensor.add(value)，tensor.add_(value),tensor.argmax(),tensor.argmin(),tensor.backward(常用),clamp(min, max),clamp_(min, max),cos(),cos_(),div(),div_(),double(),dot(),eq(),eq_(),equal(),exp(),exp_(),min(),max(),mean(),median(),pow()，pow_(),repeat(常用),sort(),sqrt() ,sqrt_() ,

④index操作：index_add,index_add_,index_fill_,index_fill,index_select

⑤对tensor进行转换：bool() ,byte(), char() ,clone(常用),cuda(常用),cpu(常用),detach(常用),detach_(常用),item(常用), numpy(常用),permute(常用,维度交换),requires_grad_(requires_grad=True,常用)，reshape(*shape),
reshape_as(other),resize_(*sizes),resize_as_(other),to(device=None,dtype=None),view(*shape),view_as(other),where(condition, y)

⑥对bool类型的tensor操作：all()，any()

五、torch.cuda下的常用API

torch.cuda.current_device()，torch.cuda.device_count(),torch.cuda.get_device_name，torch.cuda.init(),torch.cuda.is_available(),torch.cuda.is_initialized(),torch.cuda.set_device

六、torch.nn.init下的常用API，用来初始化tensor

torch.nn.init.uniform_(tensor, a=0.0, b=1.0)，torch.nn.init.normal_(tensor, mean=0.0, std=1.0),torch.nn.init.constant_(tensor, val)，torch.nn.init.ones_(tensor)，torch.nn.init.zeros_(tensor)

七、torch.optim下的常用API，用来选择优化算法以定义优化器

①常用优化算法：torch.optim.Adam，torch.optim.SGD，它们都有属性.step()
②example：三种传递形参的方式，最后一个适合迁移学习，因为不同层需要的优化力度不一样

optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
optimizer = optim.Adam([var1, var2], lr=0.0001)
optim.SGD([
                {
     'params': model.base.parameters()},
                {
     'params': model.classifier.parameters(), 'lr': 1e-3}
            ], lr=1e-2, momentum=0.9)

③优化学习率lr的方法：
torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda, last_epoch=-1)，
torch.optim.lr_scheduler.MultiplicativeLR(optimizer, lr_lambda, last_epoch=-1)

八、torch.utils.data下的常用API，用来生成数据集

生成数据集：torch.utils.data.Dataset,torch.utils.data.DataLoader(可设batch_size，shuffle等参数)

九、torch.hub下的常用API，主要用来下载一些模型

torch.hub.list(github, force_reload=False)
torch.hub.help(github, model, force_reload=False)
torch.hub.load(github, model, *args, **kwargs)
torch.hub.download_url_to_file(url, dst, hash_prefix=None, progress=True)
torch.hub.load_state_dict_from_url(url, model_dir=None, map_location=None, progress=True, check_hash=False)

十、torchvision下常用API,主要用来下载一些数据集和模型,还可以对数据进行transform

①torchvision.datasets：

torchvision.datasets.MNIST(root,train=True,transform=None,target_transform=None, download=False)
torchvision.datasets.FashionMNIST(root, train=True, transform=None, target_transform=None, download=False)
torchvision.datasets.CocoCaptions(root, annFile, transform=None, target_transform=None, transforms=None)
torchvision.datasets.ImageFolder(root, transform=None, target_transform=None, loader=, is_valid_file=None)

②图像数据转换：

torchvision.transforms.Compose(transforms)，transforms就是一些数据处理方法，比如：
CenterCrop，ToTensor，RandomCrop，RandomHorizontalFlip，RandomResizedCrop，Resize

③对tensor进行转换，一般是用到图像数据转换后，因为图像转换后就是tensor：

Normalize

④将tensor矩阵反变换成PIL格式的图像：

torchvision.transforms.ToPILImage