Pytorch:（1）pytorch的概述
PyTorch是什么?
基于Python的科学计算包，服务于以下两种场景:
- 作为NumPy的替代品，可以使用GPU的强大计算能力
- 提供最大的灵活性和高速的深度学习研究平台
开始
Tensors（张量）
Tensors与Numpy中的 ndarrays类似，但是在PyTorch中 Tensors 可以使用GPU进行计算.
from __future__ import print_function
import torch创建一个 5x3 矩阵, 但是未初始化:
from __future__ import print_function
import torch
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
创建一个随机初始化的矩阵:
x = torch.rand(5, 3)
print(x)
tensor([[0.7796, 0.4035, 0.9150],
[0.0017, 0.0277, 0.6089],
[0.0784, 0.2549, 0.9809],
[0.6661, 0.0186, 0.1492],
[0.0105, 0.8961, 0.8306]])
创建一个0填充的矩阵，数据类型为long:
x = torch.zeros(5, 3, dtype=torch.long)
print(x)
tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
创建tensor并使用现有数据初始化:
x = torch.tensor([5.5, 3])
print(x)ttensor([5.5000, 3.0000])
根据现有的张量创建张量。 这些方法将重用输入张量的属性，例如， dtype，除非设置新的值进行覆盖
x = x.new_ones(5, 3, dtype=torch.double) # new_* 方法来创建对象
print(x)
x = torch.randn_like(x, dtype=torch.float) # 覆盖 dtype!
print(x) # 对象的size 是相同的，只是值和类型发生了变化
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
tensor([[-0.4152, 0.7198, -0.0155],
[ 0.1652, -0.0518, 0.7665],
[ 0.8638, 0.9132, 0.2875],
[ 0.3403, 0.2346, -0.2768],
[ 0.8500, 1.0302, -0.4147]])
获取 size
使用size方法与Numpy的shape属性返回的相同，张量也支持shape属性，后面会详细介绍
print(x.size())torch.Size([5, 3])
Note
``torch.Size`` 返回值是 tuple类型, 所以它支持tuple类型的所有操作.
操作
操作有多种语法。
我们将看一下加法运算。
加法1:
y = torch.rand(5, 3)
print(x + y)
tensor([[ 0.5061, 1.6883, 0.1365],
[ 1.1106, 0.9424, 0.8931],
[ 1.0371, 1.0985, 0.5388],
[ 1.1603, 1.0036, 0.3448],
[ 1.4508, 1.5105, -0.2910]])
加法2：
print(torch.add(x, y))
tensor([[ 0.5061, 1.6883, 0.1365],
[ 1.1106, 0.9424, 0.8931],
[ 1.0371, 1.0985, 0.5388],
[ 1.1603, 1.0036, 0.3448],
[ 1.4508, 1.5105, -0.2910]])
提供输出tensor作为参数
result = torch.empty(5, 3)
torch.add(x, y, out=result)
print(result)
tensor([[ 0.5061, 1.6883, 0.1365],
[ 1.1106, 0.9424, 0.8931],
[ 1.0371, 1.0985, 0.5388],
[ 1.1603, 1.0036, 0.3448],
[ 1.4508, 1.5105, -0.2910]])
替换
# adds x to y
y.add_(x)
print(y)
tensor([[ 0.5061, 1.6883, 0.1365],
[ 1.1106, 0.9424, 0.8931],
[ 1.0371, 1.0985, 0.5388],
[ 1.1603, 1.0036, 0.3448],
[ 1.4508, 1.5105, -0.2910]])
Note
任何 以``_`` 结尾的操作都会用结果替换原变量. 例如: ``x.copy_(y)``, ``x.t_()``, 都会改变 ``x``.
你可以使用与NumPy索引方式相同的操作来进行对张量的操作
print(x[:, 1])tensor([ 0.7198, -0.0518, 0.9132, 0.2346, 1.0302])
torch.view: 可以改变张量的维度和大小
torch.view 与Numpy的reshape类似
如果你有只有一个元素的张量，使用.item()来得到Python数据类型的数值
x = torch.randn(1)
print(x)
print(x.item())tensor([1.1371]) 1.1370899677276611
NumPy 转换
将一个Torch Tensor转换为NumPy数组是一件轻松的事，反之亦然。
Torch Tensor与NumPy数组共享底层内存地址，修改一个会导致另一个的变化。
将一个Torch Tensor转换为NumPy数组
x = torch.randn(1)
print(x)
print(x.item())b = a.numpy()
print(b)[1. 1. 1. 1. 1.]
观察numpy数组的值是如何改变的。
a.add_(1)
print(a)
print(b)tensor([2., 2., 2., 2., 2.]) [2. 2. 2. 2. 2.]
NumPy Array 转化成 Torch Tensor
使用from_numpy自动转化
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)[2. 2. 2. 2. 2.] tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
所有的 Tensor 类型默认都是基于CPU， CharTensor 类型不支持到 NumPy 的转换.
CUDA 张量
使用.to 方法 可以将Tensor移动到任何设备中
# is_available 函数判断是否有cuda可以使用
# ``torch.device``将张量移动到指定的设备中
if torch.cuda.is_available():
device = torch.device("cuda") # a CUDA 设备对象
y = torch.ones_like(x, device=device) # 直接从GPU创建张量
x = x.to(device) # 或者直接使用``.to("cuda")``将张量移动到cuda中
z = x + y
print(z)
print(z.to("cpu", torch.double)) # ``.to`` 也会对变量的类型做更改tensor([0.7632], device='cuda:0') tensor([0.7632], dtype=torch.float64)
我没有cuda，是正确的。