Torch知识点总结【持续更新中......】

1、with torch.no_grad()

主要有几个重要的点：
1、torch.no_grad上一个上下文管理器，在你确定不需要调用Tensor.backward()时可以用torch.no_grad来屏蔽梯度计算；
2、在被torch.no_grad管控下计算得到的tensor，它的requires_grad就是False；

参考：链接

2、【bug】：RuntimeError: invalid argument 0: Sizes of tensors must match except in dimension 1.

自己总结：主要是维度不匹配
参考：链接1，链接2

3、argparse.ArgumentParser解析

参考：链接1，链接2

4、torch和numpy的相互转换

代码：

import math
import torch
import numpy as np
import pandas as pd

A = np.array([[1,2,3],[6,5,3]])
print(A, '\n')
B = torch.from_numpy(A)  #将numpy 转换化为 tensor
print(B)
C = B.numpy()#tensor 转换化为 numpy 但是对该numpy进行修改会改变其他的的值
 # 对C修改后 A,B 都会相应的改变
C[1] = 0
print(A, '\n')
print(B)
print(C)

输出：

[[1 2 3]
 [6 5 3]] 

tensor([[1, 2, 3],
        [6, 5, 3]], dtype=torch.int32)
[[1 2 3]
 [0 0 0]] 

tensor([[1, 2, 3],
        [0, 0, 0]], dtype=torch.int32)
[[1 2 3]
 [0 0 0]]

几种转换形式的区别
代码：

import torch
import numpy as np

#创建一个numpy array的数组
array = np.array([1,2,3,4])

#将numpy array转换为torch tensor
tensor = torch.tensor(array)
Tensor = torch.Tensor(array)
as_tensor = torch.as_tensor(array)
from_array = torch.from_numpy(array)

print(array.dtype)      #int32
#查看torch默认的数据类型
print(torch.get_default_dtype())    #torch.float32

#对比几种不同方法之间的异同
print(tensor.dtype)     #torch.int32
print(Tensor.dtype)     #torch.float32
print(as_tensor.dtype)  #torch.int32
print(from_array.dtype) #torch.int32
array[0] = 10

print(tensor)     # tensor([1, 2, 3, 4], dtype=torch.int32)
print(Tensor)     # tensor([1., 2., 3., 4.])
print(as_tensor)  #tensor([10,  2,  3,  4], dtype=torch.int32)
print(from_array) #tensor([10,  2,  3,  4], dtype=torch.int32)
# 后面两种数据改变，前面不变

参考：链接1，链接2

5、如何加载pkl模型文件

import pickle
with open(weights_path, 'rb') as f:
     obj = f.read()
     weights = {key: weight_dict for key, weight_dict in pickle.loads(obj, encoding='latin1').items()}
     model.load_state_dict(weights)

参考：链接

6、expand与expand_as

6.1 expand方法

x =torch.tensor([1,2,3,4])
x.shape
torch.Size([4])

#x拓展一维，变1x4
x1 = x.expend(1,4)
x1
tensor([[1, 2, 3, 4]])
x1.shape
torch.Size([1, 4])

#x1拓展一维,增加2行，变2x4，多加的一行重复原值
x2 = x1.expend(2,1,4)
x2
tensor([[[1, 2, 3, 4]],
        [[1, 2, 3, 4]]])
torch.Size([2, 1, 4])

#x3拓展一维，增加2行，变为2x2x1x4,多加的一行重复原值
x3 = x2.expand(2,2,1,4)
x3 
tensor([[[[1, 2, 3, 4]],

         [[1, 2, 3, 4]]],


        [[[1, 2, 3, 4]],

         [[1, 2, 3, 4]]]])
torch.Size([2, 2, 1, 4])

#x4直接拓展2个维度，变为2x1x4,
x4 = x.expand(2,1,4)
x4

tensor([[[1, 2, 3, 4]],

        [[1, 2, 3, 4]]])

参数为传入指定shape，在原shape数据上进行高维拓维，根据维度值进行重复赋值。

注意：
1.只能拓展维度，比如 A的shape为 2x4的，不能 A.expend(1,4)，只能保证原结构不变，在前面增维，比如A.shape(1,1,4)
2.可以增加多维，比如x的shape为(4),x.expend(2,2,1,4)只需保证本身是4
3.不能拓展低维，比如x的shape为(4)，不能x.expend(4,2).
参考：链接

6.2 expand_as方法

参考：链接

7、bug：【TypeError: can’t convert CUDA tensor to numpy. Use Tensor.cpu() to copy the tensor to host memory first.】

参考：链接，这个链接也不错：链接

8、bug：【one of the variables needed for gradient computation has been modified by an inplace operation: [torch.cuda.FloatTensor [16, 10, 120, 120]], which is output 0 of ClampBackward, is at version 1; expected version 0 instead. Hint: enable anomaly detection to find the operation that failed to compute its gradient, with torch.autograd.set_detect_anomaly(True).】

参考：链接1，链接2

9、PyTorch中clone()、detach()

参考：链接1，链接2

10、torch.repeat()

参考：链接1

11、Pytorch中index_select()

参考：链接1

12、Pytorch中.new()的作用

参考：链接1

13、torch.max()

参考：链接1

14、torch.ones(),torch.add(),torch.zeros(),torch.squeeze()

参考：链接1

15、torch中的grad与backward

参考：链接1