PyTorch基础(part1)

学习笔记，仅供参考，有错必究

---

文章目录

---

PyTorch基础

PyTorch介绍

• Torch

Torch是一个开源的机器学习的框架，早在2002年就发布了Torch的初版，Torch的编程语言为C和Lua。如今的Torch7依旧是热门的深度学习框架之一。

• PyTorch

PyTorch是在2017年1月由Facebook推出的。它是经典机器学习库Torch框架的一个端口，主要编程语言为python.

• PyTorch的快速发展

PyTorch CPU版安装

首先进入PyTorch​​官网​​；

按照自己的情况，选择想要安装的PyTorch版本，如下图所示:

将上图中，被红色长方形 框住的代码复制到cmd中，并进行如下修改：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch torchvision torchaudio

修改完成后，回车进行安装：

导包

# 导入常用的包
import torch
import numpy as np

构造tensor

a = torch.tensor([1, 2, 3], dtype = int)
print(a)

tensor([1, 2, 3])

b = torch.tensor([4, 5, 6], dtype = float)
print(b)

tensor([4., 5., 6.], dtype=torch.float64)

t1 = torch.tensor([[1, 2, 3],
                   [4, 5, 6]])
print(t1)

tensor([[1, 2, 3],
        [4, 5, 6]])

tensor的基本属性

# 查看数据类型
a.dtype
b.dtype

torch.int64




torch.float64

# 查看数据维度
a.ndim
t1.ndim

1


2

# 查看数据的形状
a.shape
t1.shape
t1.size()

torch.Size([3])




torch.Size([2, 3])




torch.Size([2, 3])

生成数据

# 生成全1张量
torch.ones(2, 3)

tensor([[1., 1., 1.],
        [1., 1., 1.]])

# 生成全0张量
torch.zeros(3, 3)

tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])

# 生成包含[0, 1)随机数的张量
torch.rand(3, 4)

tensor([[0.3797, 0.5408, 0.5703, 0.9994],
        [0.3843, 0.6358, 0.0099, 0.0339],
        [0.8164, 0.5019, 0.7004, 0.4033]])

# 生产包含随机整数的张量
torch.randint(0, 5, (2, 3))

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

# 生成包含 服从正态分布的随机数的张量
torch.randn(3, 4)

tensor([[ 0.5376, -1.8396,  0.1551, -1.1469],
        [ 0.3814,  0.0709,  1.2827,  0.3375],
        [-0.6563,  0.9816, -0.7495, -1.4707]])

# 生成和某个张量形状一样的随机数张量
a = torch.tensor([[1, 2],
                  [4, 5],
                  [6, 7]])
b = torch.rand_like(a, dtype = float)
b
print(b.shape)

tensor([[0.8122, 0.4363],
        [0.3702, 0.4267],
        [0.8426, 0.4262]], dtype=torch.float64)



torch.Size([3, 2])

# 使用view改变张量的形状，类似于numpy中的reshape
c = b.view(6)
c

tensor([0.8122, 0.4363, 0.3702, 0.4267, 0.8426, 0.4262], dtype=torch.float64)

d = b.view(2, 3)
d

tensor([[0.8122, 0.4363, 0.3702],
        [0.4267, 0.8426, 0.4262]], dtype=torch.float64)

e = d.reshape(6)
e

tensor([0.8122, 0.4363, 0.3702, 0.4267, 0.8426, 0.4262], dtype=torch.float64)

# 获取张量中的某个值，并转换为python中的标准数值
e[0]
e[0].item()

tensor(0.8122, dtype=torch.float64)



0.8122101766213651

# 将tensor变成numpy.array
f = np.array(d)
f

array([[ 0.81221018,  0.43634955,  0.37021041],
       [ 0.4267468 ,  0.84262264,  0.4261592 ]])

# 将numpy.array变成tensor
arr = np.array([[1, 2, 3]])
tens = torch.tensor(arr)
tens

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