PyTorch是什么?
這是一個基于Python的科學計算包，其旨在服務兩類場合：
- 替代numpy發揮GPU潛能
- 一個提供了高度靈活性和效率的深度學習實驗性平臺
第一個概念：張量tensors
pytorch下的張量類似于numpy下的陣列，并且張量也可用于在GPU上對程式進行加速
創建(5,3)的資料：
陣列：numpy.empty([5, 3])
張量：torch.empty(5, 3)
運行結果：
陣列
張量
note：numpy下創建多維陣列，引數要是一個串列；torch下只需直接輸入數字；同理初始化張量的方式還有ones、zeros，
創建亂數
顯然，pytorch創建亂數更方便
創建指定內容的張量
張量和陣列的繼承
note：陣列沒有new_ones這種方法
張量和陣列創建正態分布的資料
note：陣列沒有randn_like這種繼承方式
size的用法，
陣列和張量的用法是不一樣的，陣列回傳元素個數，張量回傳其規模，類似于shape
add用法（總算來了一個陣列和張量都一樣的用法）
note：注意一下，使用add函式會生成一個新的tensor變數， add_ 函式會直接再當前tensor變數上進行操作，于函式名末尾帶有"_" 的函式都是會對Tensor變數本身進行操作的，add_是針對類的方法，而不能當函式呼叫
更改陣列或張量的規模reshape、view
note：對于張量，reshape和view都可以用，但陣列沒有view這個用法
張量轉化為陣列
必須要強調一下，陣列和張量相互轉化時候，兩者共用一個存盤地址，因此兩者的相互轉化會非常快
張量轉為陣列
陣列轉為張量 呼叫函式from_numpy
從最后4行結果也可以看出，從陣列轉化而來的張量和陣列共用一個地址
張量乘法
矩陣乘法、對應位置相乘
張量的增維和減維（擠維） unsqueeze、squeeze
torch.squeeze(input, dim=None, out=None)
1、當不給定dim時，將輸入張量形狀中的1 去除并回傳
2、當給定dim時，那么擠壓操作只在給定維度上，當這個給定的dim為1的時候，才有效，否則，函式是無效的
3、回傳張量與輸入張量共享記憶體，所以改變其中一個的內容會改變另一個，
4、dim為負數時候，-1表示最后一個，以此類推，如資料的維度(2,3,1)，squeeze（input，-1）降低第二維成（2，3）
torch.unsqueeze(input, dim, out=None)
1、給定的dim是最終生成的dim，不如dim=2，是最終生成的張量中，第二維的大小為1
2、回傳張量與輸入張量共享記憶體，所以改變其中一個的內容會改變另一個，
3、dim為負數時候，-1表示最后一個，以此類推，如資料的維度(2,3)，unsqueeze（input，-1）降低第二維成（2,3,1）
堆疊函式stack：用于擴展張量的維數
呼叫格式 d=torch.stack( (a,b,c) ,dim) 其中a、b、c為相同維數的張量，dim為指定的張量堆積方向，如abc分別為二維張量，dim=0，表明形成三維張量后第0維為堆積方向，
先來看一下三維的資料大致的形狀，三維是幾個2維資料按一定方向堆疊起來的，但不管怎么堆疊，可以始終看成一個長方體
以此類推
以具體例子來看
abc分別為（2，4）的二維張量
當dim=0，表明3張平面向著第0軸的方向堆疊，故容易得出最后的規模為(3,2,4)
然后用資料驗證下：
繼續，當dim=1時，表明3張平面按第1維的方向堆疊，易得出最后的規模(2,3,4)
驗證：
繼續，當dim=2，表明3個平面按第2軸的方向堆疊，容易的出最后的張量規模（2，4，3）
驗證：
需要注意的是，d=torch.stack( (a,b,c) ,dim) ，表示堆疊的時候，按abc的順序依次向著堆疊方向放平面，順序不要錯了，
CUDA張量，將張量移送到GPU上進行運算
腳本的運行時間將比cpu下快很多
張量的復制
運用 clone、detach函式
clone():完全復制、開辟新記憶體，仍留在計算圖中，即參與梯度運算
detach():完全復制，和原變數為同一記憶體，但離開計算圖
clone().detach():完全復制，開辟新記憶體，離開計算圖
張量的求平均
運用mean函式，通過設定引數，該函式具有降維的作用，具體來看
呼叫格式：torch.mean(x, dim, keepdim)
x為求取平均的tensor物件，需要為float型，dim為指定維的反向求平均，keepdim為保持輸出維度，True時為指定的dim維度+1，False為默認值，即不保持輸入維度，即dim維度消失，實作了降維，
接下來看3個例子就可以明白這個函式具體怎么作業了：
第一個例子
x = torch.rand(4, 2, 3) #三維張量
x1 = torch.mean(x, dim=0, keepdim=True) #因為keepdim=True，所以x1維度保持3維
x2 = torch.mean(x1, dim=1, keepdim=True) #因為keepdim=True，所以x2維度保持3維
x3 = torch.mean(x2, dim=2, keepdim=True) #因為keepdim=True，所以x3維度保持3維
輸出
第二個例子
x = torch.rand(4, 2, 3)
x1 = torch.mean(x, dim=0) #keepdim=False，則x1為2維張量
x2 = torch.mean(x1, dim=0, keepdim=True)
x3 = torch.mean(x2, dim=1, keepdim=True)
第三個例子
x4 = torch.mean(x)，無任何引數，直接降成標量
張量的選擇性抽取index_select() ：
經常用于抽取batch資料
x = torch.normal(0, 1, (3, 4))
print(x)
row_select = torch.index_select(x, 0, torch.tensor([1, 2])) # 選擇性按行抽取
col_select = torch.index_select(x, 1, torch.tensor([0, 3])) # 選擇性按列抽取
print(row_select)
print(col_select)第一個引數是抽取物件x
第一個引數0:按行抽取 1:按列抽取
第三個引數：為一個Tensor，其值為抽取哪幾行（列），至于抽行還是抽列，取決于第二個引數為0還是1
運行結果：
轉載請註明出處，本文鏈接：https://www.uj5u.com/ruanti/156631.html
標籤：其他