Datawhalre 深入浅出Pytorch【第一章：Pytorch基础知识】

---

前言

提示：这里可以添加本文要记录的大概内容：
李老师说一句话让我印象特别深刻，多练习多动手。好好学pytorch，熟练掌握后，早日用到工作中。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、张量是什么？

Scalar：标量；Vector:向量；Matrix:矩阵；Tensor: 张量，多维。张量多处理图片。

Tensor是高维的，是Pytorch运算的基本单元。
requires_grad:代表是否愿意求导
dtype:指定类型。
#使用指定类型函数随机初始化指定大小的Tensor
d=torch.FloatTensor(2,3) #两行三列
#tensor和numpy array 之间的相互转换
#numpy为数组，有的时候需要把张量读入到numpy里面
import numpy as np
g=np.array([[1,2,3],[4,5,6]])
h=torch.tensor(g)
print(h)
j=h.numpy()
print(j)
#tensor的运算
k=torch.rand(2,3)
o=torch.add(k,1)
#tensor的索引方式
print(o[:,1]) #第一列
print(o[0,:]) #第0行
#改变tensor形状的神器
print(o.view(-1,2))

二、自动求导

1.介绍

损失函数如何反向传播？就需要求导
多元函数求导的雅克比矩阵和复合函数求导的链式法则（有点儿难，我后面补一下数学求导）

简单易懂的图： z=x*y,z可以求导x,y，但如果有个张量M，是无发求导，因为没有加进来。

2.求导代码示例

import torch
x1=torch.tensor(1.0,requires_grad=True)
x2=torch.tensor(2.0,requires_grad=True)
y=x1+2x2
print(y)
#首先查看每个变量是否需要求导
print(x1.requires_grad)
print(x2.requires_grad)
print(y.requires_grad)
#反向传播后看导数大小
y=x1+2x2 #这里做了很多操作
y.backward()
print（x1.grad.data）
print（x2.grad.data）

#导数是会累积，grad会增加

三、并行计算

能计算、算得开、效果好
方法：
1.网络结构分布到不同的设备中：并不常用
2.同一层的任务分布到不同的设备中：没必要，例如：把卷积层1的内容分到不同的设备中计算
3.不同数据分布到不同的设备中：常用！

总结

以上就是今天要讲的内容，本文仅仅简单介绍了pytorch的基本知识，虽然听着还可以，但是我怕后续难度突然起飞，还是得多动手多练习。