Pytorch基礎(機器學習)

這里介紹一下Pytorch模塊的基本操作，在Pytorch中，資料的操作型別為tensor(張量型別)，什么是張量呢？推薦自主閱讀維基百科張量(超鏈接點擊跳轉)來進行學習，

1. 匯入Pytoch模塊

import torch

print(torch.__version__)
"""
輸出結果：
1.9.0+cpu
"""

注意這里匯入時使用的關鍵字是torch而不是Pytorch. 其次我們可以看到這里的輸出結果表示我們安裝的是cpu版本，有些電腦支持GPU也可以安裝對應的GPU版本，

2. 創建一個tensor物件

import torch

t1 = torch.Tensor([1, 2, 3])
print(t1)
"""
輸出結果：
tensor([1., 2., 3.])
"""

我們可以看到輸出的資料型別為tensor型別，

3. 將Numpy中使用的型別轉化為Pytorch中可以使用的型別

import torch
import numpy as np

array1 = np.arange(12).reshape(3, 4)
t1 = torch.Tensor(array1)
print(t1)
"""
輸出結果：
tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.]])
"""

可以看到我們成功將ndarray型別資料轉換為了tensor型別的資料，

4. 創建三行四列空的tensor物件

import torch

t1 = torch.empty([3, 4])
print(t1)
"""
輸出結果：
tensor([[9.3674e-39, 1.0929e-38, 1.0469e-38, 1.0561e-38],
        [1.0286e-38, 1.0653e-38, 1.0194e-38, 4.6838e-39],
        [5.1429e-39, 4.9592e-39, 9.9184e-39, 9.0000e-39]])
"""

這里需要注意空并不代表沒有資料，此時，在我們未指定資料值的情況下，系統會自動生成一些非常小的資料，類似的還有torch.ones()和torch.zeros()函式，

5. 創建值位于[0, 1)區間內三行四列的亂數

import torch

t1 = torch.rand([3, 4])
print(t1)
"""
輸出結果：
tensor([[0.5059, 0.3887, 0.8215, 0.5488],
        [0.8683, 0.1002, 0.8799, 0.0522],
        [0.6802, 0.7736, 0.6704, 0.1614]])
"""

6. 創建值位于[0, 3)之間三行四列的隨機整數

import torch

t1 = torch.randint(low=0, high=3, size=[3, 4])
print(t1)

"""
輸出結果：
tensor([[2, 1, 0, 2],
        [2, 2, 0, 0],
        [1, 2, 1, 0]])
"""

7.獲取tensor中的資料，當tensor中只有一個元素可用時tensor.item()

import torch

t1 = torch.tensor(1)
print(t1)
print(t1.item())

"""
輸出結果：
tensor(1)
1
"""

8. 將tensor型別的資料轉換為ndarray型別

import torch

t1 = torch.tensor([1, 2])
print(t1.numpy())

"""
輸出結果：
[1 2]
"""

9. 獲取tensor物件的尺寸(形狀)

import torch

t1 = torch.tensor([[[1, 2, 3]]])
print(t1.size())
print(t1.size(0))
print(t1.size(1))
print(t1.size(2))

"""
輸出結果：
torch.Size([1, 1, 3])
1
1
3
"""

我們可以看到，當給定引數0時代表輸出第一個維度中的尺寸，1代表第二個維度中的尺寸，2代表第三個維度中的尺寸，

10. 改變tensor的尺寸(形狀)

import torch

t1 = torch.tensor([[[1, 2],
                    [2, 3],
                    [3, 4]]])
print(t1.view(-1))
print(t1.view(2, 3))
print(t1.view(2, -1))
print(t1.view(3, 2))

"""
輸出結果：
tensor([1., 2., 2., 3., 3., 4.])
tensor([[1., 2., 2.],
        [3., 3., 4.]])
tensor([[1., 2., 2.],
        [3., 3., 4.]])
tensor([[1., 2.],
        [2., 3.],
        [3., 4.]])
"""

t1.view(-1)表示將tensor變為一維的，t1.view(2, 3)表示將tensor變為兩行三列的，t1.view(2, -1)表示將tensor變為兩行三列的，其中-1表示由編譯器自動計算列數，

11. 獲取tensor的維度，最大，最小值和標準差，

import torch

t1 = torch.tensor([[[1, 2],
                    [2, 3],
                    [3, 4]]])
# dim method
print(t1.dim())

# max method
print(t1.max())

# min method
print(t1.min())

# standard deviation
print(t1.std())

"""
輸出結果：
3
tensor(4.)
tensor(1.)
tensor(1.0488)
"""

12. 低維度(一維，二維)tensor的轉置操作

# 一維tensor，轉置后仍舊為原來的tensor
t1 = torch.tensor(1)
print(f"The original tensor is: {t1}")
print(f"The transpose tensor of t1 is {t1.t()}")
print(f"The transpose tensor of t1 is {torch.transpose(input=t1, dim0=0, dim1=-1)}")

# 二維tensor，類似矩陣轉置
t1 = torch.tensor([[1, 2], [3, 4]])
print(f"The original tensor is: {t1}")
print(f"The transpose tensor of t1 is {t1.t()}")
print(f"The transpose tensor of t1 is {torch.transpose(input=t1, dim0=0, dim1=1)}")
"""
輸出結果：
The original tensor is: 1
The transpose tensor of t1 is 1
The transpose tensor of t1 is 1
The original tensor is: tensor([[1, 2],
        [3, 4]])
The transpose tensor of t1 is tensor([[1, 3],
        [2, 4]])
The transpose tensor of t1 is tensor([[1, 3],
        [2, 4]])
"""

我們可以看到對于一維或者二維tensor可以使用.t()或者.transpose()函式進行轉置. 對于高級tensor的轉置操作可以看這里Pytorch中高階tensor的轉置操作(超鏈接點擊跳轉)，

13. tensor切片操作

import torch
import numpy as np

t1 = torch.tensor(np.arange(36).reshape((3, 3, 4)))
# 獲取單個值
print(t1[1, 2, 1])
# 獲取第二個區域內的值
print(t1[1, :, :])

"""
輸出結果：
tensor(21, dtype=torch.int32)
tensor([[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]], dtype=torch.int32)
"""

14.輸出tensor中元素的資料型別

import torch
import numpy as np

t1 = torch.tensor(np.arange(24).reshape((2, 3, 4)))
print(t1.dtype)

"""
輸出結果：
torch.int32
"""

15.定義tensor時設定內部元素資料型別

import torch
import numpy as np

# 定義tensor時指定輸入資料型別
t1 = torch.tensor(1, dtype=torch.double)
print(t1.dtype)

# numpy生成陣列時定義元素資料型別，之后轉換為tensor
t1 = torch.tensor(np.array(12, dtype=np.int32))
print(t1.dtype)

t1 = torch.LongTensor(1, 2)
print(t1.dtype)

t1 = torch.DoubleTensor(1, 2)
print(t1.dtype)

"""
輸出結果：
torch.float64
torch.int32
torch.int64
torch.float64
"""

16.tensor的加法運算

import torch

t1 = torch.ones(3, 5)
print(t1)
t2 = torch.rand((3, 5))
print(t2)
# add method
print(t1 + t2)
print(torch.add(t1, t2))


"""
輸出結果：
tensor([[1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.]])
tensor([[0.5156, 0.1977, 0.9491, 0.4509, 0.7190],
        [0.9628, 0.4868, 0.9708, 0.9781, 0.7506],
        [0.3628, 0.0885, 0.7869, 0.9531, 0.4079]])
tensor([[1.5156, 1.1977, 1.9491, 1.4509, 1.7190],
        [1.9628, 1.4868, 1.9708, 1.9781, 1.7506],
        [1.3628, 1.0885, 1.7869, 1.9531, 1.4079]])
tensor([[1.5156, 1.1977, 1.9491, 1.4509, 1.7190],
        [1.9628, 1.4868, 1.9708, 1.9781, 1.7506],
        [1.3628, 1.0885, 1.7869, 1.9531, 1.4079]])

"""

相應的減法，乘法和除法運算可以類比于加法運算，關于四則運算的進階寫法，可以參考這篇Pytorch中的四則運算高級寫法，

碼字不易，如果大家覺得有用，請高抬貴手給一個贊讓我上推薦讓更多的人看到吧~