跳转至

PyTorch

约 565 个字 48 行代码 预计阅读时间 3 分钟

弃坑了，感觉没啥写的必要

  • PyTorch 主要有两个用途：
    • 能够使用 GPU 加速的 NumPy 替代品；
    • 内置的自动微分库等对神经网络的实现产生较大的帮助；
参考资料
  • PyTorch 官网：🔗
  • A 60 MINUTE BLITZ：🔗
    • *本文主要按照这篇文章的思路来；
  • PyTorch 官方教程中文版：🔗
  • PyTorch简明教程：🔗

安装

根据 这里 提供的方法获取安装途径，注意选择与您的环境相符的条件。

依赖之类的都已经在该页面写的很清楚了。

完成安装后，我们通过如下方法来检测是否安装成功：

$ python
>>> import torch
>>> x = torch.rand(5, 3)
>>> print(x)
tensor([[0.8577, 0.6416, 0.2632],
        [0.3853, 0.8534, 0.4877],
        [0.0628, 0.2360, 0.8810],
        [0.1766, 0.8024, 0.5447],
        [0.3938, 0.9232, 0.4407]])

张量 | Tensors

Tensors 是 NumPy 中 ndarrys 的一种无痛替代，只不过 tensors 能够有效利用 GPU 进行加速。

初始化

显然，初始化有很多方法，这里提供几种。

data = [[1, 2], [3, 4]]
x_data = torch.tensor(data)
print(x_data)
预期输出如下：

Output

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


np_array = np.array(data)
x_np = torch.from_numpy(np_array)
print(x_np)
预期输出如下：

Output

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


x_ones = torch.ones_like(x_data) # retains the properties of x_data
print(f"Ones Tensor: \n {x_ones} \n")

x_rand = torch.rand_like(x_data, dtype=torch.float) # overrides the datatype of x_data
print(f"Random Tensor: \n {x_rand} \n")
预期输出如下：

Output

Ones Tensor:
tensor([[1, 1],
        [1, 1]])

Random Tensor:
tensor([[0.4557, 0.7406],
        [0.5935, 0.1859]])


    shape = (2, 3)
    rand_tensor = torch.rand(shape)
    ones_tensor = torch.ones(shape)
    zeros_tensor = torch.zeros(shape)

    print(f"Random Tensor: \n {rand_tensor} \n")
    print(f"Ones Tensor: \n {ones_tensor} \n")
    print(f"Zeros Tensor: \n {zeros_tensor}")
预期输出如下：

Output

Random Tensor:
 tensor([[0.4434, 0.1717, 0.7331],
        [0.4211, 0.8945, 0.2239]])

Ones Tensor:
 tensor([[1., 1., 1.],
        [1., 1., 1.]])

Zeros Tensor:
 tensor([[0., 0., 0.],
        [0., 0., 0.]])

属性

这里主要涉及的张量的属性为 形状(shape)、数据类型(dtype) 和 数据所存储在的硬件设备(device)。

tensor = torch.rand(3, 4)

print(f"Shape of tensor: {tensor.shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")

预期输出如下：

Output

Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu

方法与操作

对张量的操作方法非常之多，很难在本文中全部涉及，因而也只是放个 文档 在这边，在此只介绍比较基础的几个。

使用 GPU 加速

令人幸喜的是，对张量的这些操作都可以使用 GPU 来进行加速，当然在此之前我们需要将它转移到 GPU 上——如果可以的话。

# We move our tensor to the GPU if available
if torch.cuda.is_available():
    tensor = tensor.to('cuda')
    print(f"Device tensor is stored on: {tensor.device}")

Output

Device tensor is stored on: cuda:0

运算

注意

如果一个 tensor 的方法以 _ 结尾，那么说明这个运算会修改这个 tensor 自身。

即，x.method_(...) 将会修改 x 本身。

PyTorch 对四则运算符进行了一些重载，其与正常方法的映射关系如下：

运算符 等价方法
+ torch.add()
- torch.sub()
* torch.mul()
/ torch.div()

索引与切片

tensor = torch.ones(4, 4)
tensor[:,1] = 0
print(tensor)
预期输出如下：

Output

tensor([[1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.]])
最后更新: 2024年1月13日 19:00:24
创建日期: 2024年1月13日 19:00:24

评论