pytorch学习笔记——（一）pytorch简介与基础知识
文章目录
文章目录
前言
一、pytorch简介
二、pytorch安装
1.安装Anaconda
2.安装 pytorch
三、pytorch基础知识
1.张量
2.创建tensor
3.张量的操作
1.加法
2.索引操作
总结
前言
本文记录了一些pytorch学习的相关记录，作为本人查询的笔记。
一、pytorch简介
PyTorch是由Facebook人工智能研究小组开发的一种基于Lua编写的Torch库的Python实现的深度学习库，目前被广泛应用于学术界和工业界，而随着Caffe2项目并入Pytorch， Pytorch开始影响到TensorFlow在深度学习应用框架领域的地位。总的来说，PyTorch是当前难得的简洁优雅且高效快速的框架。
二、pytorch安装
1.安装Anaconda
step1：进入官网选择合适的版本安装；
step2：安装后可在开始菜单栏查看；
step3：创建虚拟环境；
conda create -n env_name python==version创建的虚拟环境：
conda create -n sun python==3.8conda env list 可用于查询当前安装的虚拟环境
step4：换源，这里使用windows系统，conda换源（清华源）官方换源帮助
2.安装 pytorch
step1：进入pytorch官网PyTorch官网
step2：找到Install，我们需要结合自己情况选择命令并复制下来，然后使用conda下载或者pip下载。
具体安装此处不详细说明。
三、pytorch基础知识
1.张量
在深度学习中，我们通常将数据以张量的形式进行表示，比如我们用三维张量表示一个RGB图像，四维张量表示视频。
| 张量维度 |
代表含义 |
|---|---|
| 0维张量 |
代表的是标量（数字） |
| 1维张量 |
代表的是向量 |
| 2维张量 |
代表的是矩阵 |
| 3维张量 |
时间序列数据 股价 文本数据 单张彩色图片(RGB) |
在PyTorch中，torch.Tensor 是存储和变换数据的主要工具。
可在虚拟工具中使用notebook来实现编程试验：
运行虚拟环境，选择合适的地址，运行notebook：
新建内容如图：
2.创建tensor
1.torch.rand()随机初始化矩阵
import torch
x = torch.rand(4, 3)
print(x)
tensor([[0.5522, 0.4581, 0.3311],
[0.9411, 0.3355, 0.3388],
[0.8535, 0.6223, 0.1819],
[0.1564, 0.0937, 0.8786]])2.torch.zero()构造一个矩阵全为 0
import torch
x = torch.zero(4, 3)
print(x)
tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])常见构造张量的方法：
| 函数 |
功能 |
|---|---|
| Tensor(sizes) |
基础构造函数 |
| tensor(data) |
类似于np.array |
| ones(sizes) |
全1 |
| zeros(sizes) |
全0 |
| eye(sizes) |
对角为1，其余为0 |
| arange(s,e,step) |
从s到e，步长为step |
| linspace(s,e,steps) |
从s到e，均匀分成step份 |
| rand/randn(sizes) |
rand是[0,1)均匀分布；randn是服从N(0，1)的正态分布 |
| normal(mean,std) |
正态分布(均值为mean，标准差是std) |
| randperm(m) |
随机排列 |
3.张量的操作
1.加法
import torch
# 方式1
y = torch.rand(4, 3)
print(x + y)
# 方式2
print(torch.add(x, y))
# 方式3 in-place，原值修改
y.add_(x)
print(y)tensor([[1.4521, 0.8000, 1.1564],
[1.9135, 1.1953, 0.9734],
[1.6804, 1.0618, 0.2125],
[0.7221, 0.6130, 1.7743]])
tensor([[1.4521, 0.8000, 1.1564],
[1.9135, 1.1953, 0.9734],
[1.6804, 1.0618, 0.2125],
[0.7221, 0.6130, 1.7743]])
tensor([[1.4521, 0.8000, 1.1564],
[1.9135, 1.1953, 0.9734],
[1.6804, 1.0618, 0.2125],
[0.7221, 0.6130, 1.7743]])2.索引操作
需要注意的是：索引出来的结果与原数据共享内存，修改一个，另一个会跟着修改。如果不想修改，可以考虑使用copy()等方法
import torch
x = torch.rand(4,3)
# 取第二列
print(x[:, 1]) tensor([0.6358, 0.4822, 0.5770, 0.6834])y = x[0,:]
y += 1
print(y)
print(x[0, :]) # 源tensor也被改了了tensor([1.1131, 1.6358, 1.4098])
tensor([1.1131, 1.6358, 1.4098])PyTorch中的 Tensor 支持超过一百种操作，包括转置、索引、切片、数学运算、线性代数、随机数等等，具体使用方法可参考官方文档。
jupyter notebook运行结果如图：
可进行单块运行，比较方便，推荐使用。
总结
以上是本次学习的相关整理内容，简单学习了pytorch的相关简介与基础操作。之后将继续深入学习，利用pytorch编写相关程序及深度学习算法，实现更多操作内容。