深度学习与神经网络pytorch版 基础知识

深度学习与神经网络pytorch版 基础知识

1.简单介绍

PyTorch是一个开源的深度学习框架，由Facebook于2016年发布的第一个开源项目。与TensorFlow等其他深度学习框架相比，PyTorch更加灵活和易于使用，尤其适合快速原型设计和实验。

以下是PyTorch的一些主要特点：

1.动态计算图：PyTorch使用动态计算图，这意味着您可以在运行时构建和更改计算图。这使得模型开发和调试更加直观和灵活。
2.易于使用的API：PyTorch的API设计得非常直观，使得开发者可以轻松地构建和训练神经网络。此外，PyTorch的文档和社区支持也非常出色。
3.GPU加速：PyTorch支持GPU加速，可以大大提高模型的训练速度。4.PyTorch还提供了与NVIDIA CUDA深度集成，使得使用GPU更加容易。
4.广泛的应用：PyTorch已经被广泛应用于计算机视觉、自然语言处理、强化学习等多个领域。许多研究者和开发者都选择PyTorch作为他们的首选深度学习框架。
使用PyTorch进行深度学习的基本步骤通常包括：

1.数据准备：加载和预处理数据，以便用于模型训练。
2.模型定义：使用PyTorch的API定义神经网络的架构。
3.损失函数和优化器：定义损失函数和优化器，以便在训练过程中更新模型参数。
4.训练过程：迭代训练数据集，并在每个迭代中使用优化器更新模型参数。
5.评估模型：使用测试数据集评估模型的性能。
PyTorch是一个功能强大的深度学习框架，适合各种深度学习任务。它的灵活性和易用性使得它成为许多研究者和开发者的首选。下面我将介绍一些关于Pytorch入门的必备知识，为以后的学习打下基础：

2.1 数据操作

2.1.1 入门

# 2.1 数据操作
# 2.1.1 入门
import torch
# 使用arrange创建一个行向量 x
x1 = torch.arange(12)
print(x1)
# tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])
# 使用张量的shape属性来访问张量（沿着每个轴的长度）的形状。
print(x1.shape)
# 查看张量中元素的总数
print(x1.numel())
# 改变一个张量的形状而不改变元素数量和元素值
X = x1.reshape(3,4) # 形状改为三行四列的矩阵
Y = x1.reshape(-1,4) # 使用-1自动计算张量的形状，或者x.reshape(3,-1)
print(X)
# 使用全0，全1或者其他随机张量
print(torch.zeros((2,3,4))) # 生成两个三行四列的全零张量矩阵
print(torch.ones((2,3,4))) # 生成两个三行四列的全一张量矩阵
print(torch.randn(2,3,4)) # 生成两个三行四列的矩阵，元素均值为0，标准差为1
# 为每个张量元素赋予指定值
print(torch.tensor([[2,1,4,3],[1,2,3,4],[4,3,2,1]]))

2.1.2 运算符

import torch
# 2.1.2 运算符
# 常见的标准运算符("+","-","*","/","**")
x2 = torch.tensor([1.0,2,4,8])
y2 = torch.tensor([2,2,2,2])
print(x2+y2,x2-y2,x2/y2,x2**y2)

# 求幂运算
print(torch.exp(x2))

# 将张量连结在一起
X1 = torch.arange(12,dtype=torch.float32).reshape((3,4))
Y1 = torch.tensor([[2.0,1,4,3],[1,2,3,4],[4,3,2,1]])
print(torch.cat((X1,Y1),dim=0))
print(torch.cat((X1,Y1),dim=1))
#
# 判断两个张量中元素是否相等，相等True，不相等False
print(X1 == Y1)
#
# 对张量中所有元素进行求和，产生一个单元素张量
print(X1.sum())

2.1.3 广播机制

# 2.1.3 广播机制
a = torch.arange(3).reshape((3,1))
b = torch.arange(2).reshape((1,2))
print(a,'\n',b)
# 由于a和b分别是3✖1和1✖2的矩阵，如果让它们相加，它们的形状不匹配。
# 我们将两个矩阵广播为一个更大的3✖2矩阵，
# 如下所示：矩阵a将复制列， 矩阵b将复制行，然后再按元素相加
print(a + b)

2.1.4 索引和切片

# 2.1.4 索引和切片
import torch
X2 = torch.arange(12,dtype=torch.float32).reshape((3,4))
print(X2[-1]) # 使用[-1]选择最后一个元素
print(X2[1:3]) # 使用[1:3]选择第二个和第三个元素
#
X2[1,2] = 9 # 指定索引来将元素写入矩阵
print(X2)
#
X2[0:2,:] = 12 # 索引所有元素，将他们赋值
print(X2)
#

2.1.5 节省内存

# 2.1.5 节省内存
import torch
X1 = torch.arange(12,dtype=torch.float32).reshape((3,4))
Y1 = torch.tensor([[2.0,1,4,3],[1,2,3,4],[4,3,2,1]])
before = id(Y1)
Y1 = Y1 + X1
print(id(1)  == before)
#
Z = torch.zeros_like(Y1)
print('id(Z):', id(Z))
Z[:] = X1 + Y1
print('id(Z):', id(Z))
#
before = id(X1)
X1 += Y1
print(id(X1) == before)

2.1.6 转换为其他Python对象

# 2.1.6 转换为其他Python对象
import torch
x = torch.arange(12,dtype=torch.float32).reshape((3,4))
a = x.numpy()
b = torch.tensor(a)
print(a)
print(b)
print(type(a),type(b))
a = torch.tensor([3.5])
print(a)
print(a.item()) # 调用item函数将张量转换为python中的标量
print(float(a))
print(int(a))

小结

深度学习存储和操作数据的主要接口是张量（维数组）。它提供了各种功能，包括基本数学运算、广播、索引、切片、内存节省和转换其他Python对象。
我正在学习深度学习神经网络Pytorch版，分享我的一些学习，希望大家可以给我一些建议，谢谢大家。评论，私信都可以，我以后也会不断的更新我的学习进度，谢谢大家。