PyTorch是一个基于 Numpy 的科学计算包,向它的使用者提供了两大功能:
官网下载
pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
具体可根据个人设备的配置来选择,生成自己的安装命令
检查pytorch是否安装成功
import torch # 如果pytorch安装成功即可导入
print(torch.__version__) # 查看torch的版本
print(torch.cuda.is_available()) # 查看CUDA是否可用
print(torch.cuda.device_count()) # 查看可用的CUDA数量
print(torch.version.cuda) # 查看CUDA的版本号
Tensor:即张量,其概念类似于 Numpy 中的 ndarray 数据结构,最大的区别在于 Tensor可以利用 GPU 的加速功能。(PyTorch 之所以能使用 GPU 加速,是因为张量。)
我们使用Pytorch的时候,常规步骤是先将torch引用进来, 如下所示:
# 加上该语句后,即使在python2.X,使用print就得像python3.X那样加括号使用
from __future__ import print_function
import torch
a = torch.empty(5, 3)
print(a)
tensor([[2.4835e+27, 2.5428e+30, 1.0877e-19],
[1.5163e+23, 2.2012e+12, 3.7899e+22],
[5.2480e+05, 1.0175e+31, 9.7056e+24],
[1.6283e+32, 3.7913e+22, 3.9653e+28],
[1.0876e-19, 6.2027e+26, 2.3685e+21]])
b = torch.rand(5, 3)
# torch.rand()返回一个张量,包含了从区间[0, 1)的均匀分布中抽取的一组随机数
# torch.randn()返回一个张量,包含了从标准正态分布(均值为0,差为1,即高斯白噪声)中抽取的一组随机数。
# torch.randint(参数1,参数2) 左闭右开
# random.randint(参数1,参数2) 左闭右闭
print(b)
tensor([[0.1368, 0.8070, 0.4567],
[0.4369, 0.8278, 0.5552],
[0.6848, 0.4473, 0.1031],
[0.5308, 0.9194, 0.2761],
[0.0484, 0.9941, 0.2227]])
对比有无初始化的矩阵:当声明一个未初始化的矩阵时,它本身不包含任何确切的值.。当创建一个未初始化的矩阵时,分配给矩阵的内存中有什么数值就赋值给了这个矩阵,本质上是毫无意义的数据。
c = torch.zeros(5, 3, dtype=torch.long)
print(c)
tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
同样地,还有 torch.ones()
d = torch.tensor([2.5, 3.5])
print(d) # tensor([2.5000, 3.3000])
torch.tensor(np.array([[1, 2, 3], [4, 5, 6]]))
x = d.new_ones(5, 3, dtype=torch.double)
print(x)
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
# 利用randn_like方法得到相同张量尺寸的一个新张量, 并且采用随机初始化来对其赋值
y = torch.randn_like(x, dtype=torch.float)
print(y)
tensor([[-0.1497, -0.5832, -0.3805],
[ 0.9001, 2.0637, 1.3299],
[-0.8813, -0.6579, -0.9135],
[-0.1374, 0.1000, -0.9343],
[-1.1278, -0.9140, -1.5910]])
print(y.size()) # torch.Size([5, 3])
torch.Size
函数本质上返回的是一个tuple,因此它支持一切元组的操作。
i = torch.randn(4, 4)
# tensor.view()操作需要保证数据元素的总数量不变
j = i.view(16)
# -1代表自动匹配个数
k = i.view(-1, 8)
print(i.size(), j.size(), k.size())
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
第一种加法操作
print(x + y)
第二种加法操作
print(torch.add(x, y))
第三种加法操作
# 提前设定一个空的张量
result = torch.empty(5, 3)
# 将空的张量作为加法的结果存储张量
torch.add(x, y, out=result)
print(result)
第四种加法方式
# 原地置换
y.add_(x)
print(y)
注意:所有
in-place
的操作函数都有一个下划线的后缀,比如x.copy_(y),x.add_(y)
,都会直接改变x
的值
如果张量中只有一个元素,可以用 .item()
将值取出,作为一个 python number(真实值)
n = torch.randn(1)
print(n)
print(n.item())
tensor([-0.3531])
-0.3530771732330322
用类似于Numpy 的方式对张量进行操作:
print(x[:, 1])
tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
Torch Tensor和Numpy array的转换
a = torch.ones(5)
print(a) # tensor([1., 1., 1., 1., 1.])
b = a.numpy()
print(b) # [1. 1. 1. 1. 1.]
对其中一个进行加法操作,另一个也随之被改变
a.add_(1)
print(a)
# tensor([2., 2., 2., 2., 2.])
print(b)
# [2. 2. 2. 2. 2.]
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
print(a)
# [1. 1. 1. 1. 1.]
print(b)
# tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
np.add(a, 1, out=a)
print(a)
# [2. 2. 2. 2. 2.]
print(b)
# tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
注意:
- 所有在CPU上的Tensors,除了CharTensor,都可以转换为Numpy array并可以反向转换
- Torch Tensor 和 Numpy array共享底层的内存空间,因此改变其中一个的值,另一个也会随之被改变。
关于Cuda Tensor: Tensors可以用
.to()
方法来将其移动到任意设备上。
- GPU:“cuda”
- CPU:“cpu”
x = torch.zeros(5, 3, dtype=torch.long)
# 如果服务器上已经安装了GPU和CUDA
if torch.cuda.is_available():
# 定义一个设备对象, 这里指定成CUDA, 即使用GPU
device = torch.device("cuda")
# 直接在GPU上创建一个Tensor
y = torch.ones_like(x, device=device)
# 将在CPU上面的x张量移动到GPU上面
x = x.to(device)
# x和y都在GPU上面, 才能支持加法运算
z = x + y
# 此处的张量z在GPU上面
print(z)
# 也可以将z转移到CPU上面, 并同时指定张量元素的数据类型
print(z.to("cpu", torch.double))
tensor([[1, 1, 1],
[1, 1, 1],
[1, 1, 1],
[1, 1, 1],
[1, 1, 1]], device='cuda:0')
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
在整个 Pytorch 框架中,所有的神经网络本质上都是一个autograd package(自动求导工具包),它提供了一个对 Tensors 上所有的操作进行自动微分的功能。
torch.Tensor
是整个 package 中的核心类
.requires_grad
设置为 True
,它将追踪在这个类上定义的所有操作。.backward()
就可以自动计算所有的梯度(前提是属性.requires_grad
设置为 True
)。.grad
中。.detach()
就可以将该Tensor从计算图中撤下,在未来的回溯计算中也不会再计算该Tensor。with torch.no_grad():
,这种方式非常适用于对模型进行 预测 的时候,因为预测阶段不再需要对梯度进行计算。torch.Function
是和torch.Tensor
同等重要的一个核心类,
torch.Function
和Tensor共同构建了一个完整的类, 每一个Tensor拥有一个.grad_fn
属性,代表引用了哪个具体的 Function 创建了该Tensor。# 不设置requires_grad
x1 = torch.ones(3, 3)
print(x1)
# 设置requires_grad
x = torch.ones(2, 2, requires_grad=True)
print(x)
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
tensor([[1., 1.],
[1., 1.]], requires_grad=True)
在具有 requires_grad=True
的Tensor x 上执行一个加法操作
y = x + 2
print(y)
tensor([[3., 3.],
[3., 3.]], grad_fn=)
打印 Tensor 的grad_fn
属性:
print(x.grad_fn) # x是我们自定义的
# None
print(y.grad_fn) # y是通过加法计算出来的
#
在Tensor上执行更复杂的操作:
z = y * y * 3
out = z.mean()
print(z, out)
tensor([[27., 27.],
[27., 27.]], grad_fn=) tensor(27., grad_fn=)
在Pytorch中,反向传播是依靠 .backward()
实现的。
# y = x+2
# z = z = y * y * 3
out.backward()
print(x.grad)
tensor([[4.5000, 4.5000],
[4.5000, 4.5000]])
关于自动求导的属性设置:可以通过设置 .requires_grad=True
来执行自动求导,也可以通过代码块的限制来停止自动求导。
print(x.requires_grad) # True
print((x ** 2).requires_grad) # True
with torch.no_grad():
print((x ** 2).requires_grad) # False
可以通过.detach()
获得一个新的 Tensor, 拥有相同的内容但不需要自动求导
print(x.requires_grad) # True
y = x.detach()
print(y.requires_grad) # False
print(x.eq(y).all()) # tensor(True)
使用 Pytorch 来构建神经网络,主要的工具都在
torch.nn
包中。nn(Neural
Networks神经网络)依赖于autograd来定义模型,并对其自动求导。
构建神经网络的典型流程:
import torch
import torch.nn as nn
import torch.nn.functional as F
import torchvision # 使用torchvision操作CIFAR10数据集
import torchvision.transforms as transforms
# https://blog.csdn.net/m0_59249046/article/details/126800077
# https://blog.csdn.net/qq_51570094/article/details/123589421
transform = transforms.Compose([ # Compose把多个步骤整合到一起
# 1.将shape为(H,W,C)的数据维度转变为(C,H,W),其中C表示通道数,H表示高度,W表示宽度。
# 2. 将输入数据归一化到(0,1)的范围内,其归一化方法为除以255进行缩放
transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])
# 训练集
trainSet = torchvision.datasets.CIFAR10(root="./data", train=True, download=True, transform=transform)
trainLoader = torch.utils.data.DataLoader(trainSet, batch_size=4, shuffle=True)
# 测试集
testSet = torchvision.datasets.CIFAR10(root="./data", train=False, download=True, transform=transform)
testLoader = torch.utils.data.DataLoader(testSet, batch_size=4, shuffle=True)
# 标签值
classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
# 导入画图包和numpy
import matplotlib.pyplot as plt
import numpy as np
# 构建展示图片的函数
def imshow(img):
img = img / 2 + 0.5 # 主要是为了展示,所以要用到原来的图片。之前标椎化时做了(x-0.5)/0.5
npimg = img.numpy()
# 为什么要转置?
# 前面ToTensor将图片的维度(H,W,C)转变为(C,H,W),要展示数据,所以要恢复到原来的维度
plt.imshow(np.transpose(npimg, (1, 2, 0))) # numpy.T低维(一、二维)转置,transpose高维转置
plt.show()
# 从数据迭代器中读取一张图片
dataiter = iter(trainloader)
images, labels = dataiter.next()
# 展示图片
# make_grid将若干图片合并成一张
imshow(torchvision.utils.make_grid(images))
# 打印标签label
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))