PyTorch是一个基于Python的科学计算包，提供最大灵活性和速度的深度学习研究平台。
张量
张量类似于NumPy 的n 维数组，此外张量也可以在 GPU 上使用以加速计算。
让我们构造一个简单的张量并检查输出。首先让我们看看我们如何构建一个 5×3 的未初始化矩阵:
import torch x = (5, 3) print(x)
输出如下:
tensor([[+32, -41, +32], [-41, +00, +00], [+00, +00, +00], [+00, +00, +00], [+00, +00, +00]])
现在让我们构造一个随机初始化的矩阵:
x = (5, 3) print(x)
输出:
tensor([[-01, -01, -01], [-01, -01, -01], [-01, -02, -01], [-01, -01, -01], [-01, -01, -04]])
直接从数据构造张量:
x = ([, 3]) print(x)
输出:
tensor([, ])
创建一个统一的长张量。
x = (3, 4) x tensor([[, , , ], [ , , , ], [ , , , ]]) 「浮动张量。」 x = (3, 4) x tensor([[--18, -41, -44, +00], [ nan, -41, +28, +27], [ +27, +20, +19, +31]]) 「在范围内创建张量」 (10, dtype=) tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.]) 「重塑张量」 x = (10, dtype=) x tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
使用 .view重塑张量。
(2, 5) tensor([[0., 1., 2., 3., 4.], [5., 6., 7., 8., 9.]])
-1根据张量的大小自动识别维度。
(5, -1) tensor([[0., 1.], [2., 3.], [4., 5.], [6., 7.], [8., 9.]]) 「改变张量轴」
改变张量轴:两种方法view和permute
view改变张量的顺序，而permute只改变轴。
x1 = ([[1., 2., 3.], [4., 5., 6.]]) print("x1: ", x1) print(" : ", ) print(" (3, -1): ", (3 , -1)) print(" (1, 0): ", (1, 0)) x1: tensor([[1., 2., 3.], [4., 5., 6.]]) : ([2, 3]) (3, -1): tensor([[1., 2.], [3., 4.], [5., 6.]]) (1, 0): tensor([[1., 4.], [2., 5.], [3., 6.]]) 张量运算
在下面的示例中，我们将查看加法操作:
y = (5, 3) print(x + y)
输出:
tensor([[, , ], [, , ], [, , ], [, , ], [, , ]])
调整大小:如果你想调整张量的形状，你可以使用“”:
x = (4, 4) y = (16) # 大小-1是从其他维度推断出来的 z = (-1, 8) print((), (), ())
输出:
([4, 4]) ([16]) ([2, 8]) PyTorch 和 NumPy的转换
NumPy 是Python 编程语言的库，增加了对大型、多维数组和矩阵的支持，以及对这些数组进行操作的大量高级数学函数集合。
将Torch中Tensor 转换为 NumPy 数组，反之亦然是轻而易举的!
Torch Tensor 和 NumPy 数组将共享它们的底层内存位置 ，改变一个将改变另一个。
「将 Torch 张量转换为 NumPy 数组:」 a = (5) print(a)
输出:tensor([1., 1., 1., 1., 1.])
b = () print(b)
输出:[1., 1., 1., 1., 1.]
让我们执行求和运算并检查值的变化:
(1) print(a) print(b)
输出:
tensor([2., 2., 2., 2., 2.]) [2. 2. 2. 2. 2.] 「将 NumPy 数组转换为 Torch 张量:」 import numpy as no a = (5) b = (a) (a, 1, out=a) print(a) print(b)
输出:
[2. 2. 2. 2. 2.] tensor([2., 2., 2., 2., 2.], dtype=)
所以，正如你所看到的，就是这么简单!
接下来在这个 PyTorch 教程博客上，让我们看看PyTorch 的 AutoGrad 模块。
AutoGrad
该autograd包提供自动求导为上张量的所有操作。
它是一个按运行定义的框架，这意味着您的反向传播是由您的代码运行方式定义的，并且每次迭代都可以不同。
(函数的反向传播) (计算图的反向传播) (数值梯度检查) (在自动求导时检测错误产生路径) (设置是否需要梯度) () 与 () (提供 function 级别的统计信息) 「下面使用 Autograd 进行反向传播。」
如果requires_grad=True，则 Tensor 对象会跟踪它是如何创建的。
x = ([1., 2., 3.], requires_grad = True) print('x: ', x) y = ([10., 20., 30.], requires_grad = True) print('y: ', y) z = x + y print(' z = x + y') print('z:', z) x: tensor([1., 2., 3.], requires_grad=True) y: tensor([10., 20., 30.], requires_grad=True) z = x + y z: tensor([11., 22., 33.], grad_fn=)
因为requires_grad=True，z知道它是通过增加两个张量的产生z = x + y。
s = () print(s) tensor(66., grad_fn=)
s是由它的数字总和创建的。当我们调用.backward()，反向传播从s开始运行。然后可以计算梯度。
() print(': ', ) print(': ', ) : tensor([1., 1., 1.]) : tensor([1., 1., 1.])
下面例子是计算log(x)的导数为1 / x
import torch x = ([, ], requires_grad=True) # 1 / x y = (x[0] * x[1]) () # tensor([, ])
