详解PyTorch基本操作

什么是 PyTorch?

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：

1. import torch 
2. x = torch.empty(5, 3) 
3. print(x) 

输出如下：

1. tensor([[2.7298e+32, 4.5650e-41, 2.7298e+32], 
2.         [4.5650e-41, 0.0000e+00, 0.0000e+00], 
3.         [0.0000e+00, 0.0000e+00, 0.0000e+00], 
4.         [0.0000e+00, 0.0000e+00, 0.0000e+00], 
5.         [0.0000e+00, 0.0000e+00, 0.0000e+00]]) 

现在让我们构造一个随机初始化的矩阵：

1. x = torch.rand(5, 3) 
2. print(x) 

输出：

1. tensor([[1.1608e-01, 9.8966e-01, 1.2705e-01], 
2.         [2.8599e-01, 5.4429e-01, 3.7764e-01], 
3.         [5.8646e-01, 1.0449e-02, 4.2655e-01], 
4.         [2.2087e-01, 6.6702e-01, 5.1910e-01], 
5.         [1.8414e-01, 2.0611e-01, 9.4652e-04]]) 

直接从数据构造张量：

1. x = torch.tensor([5.5, 3]) 
2. print(x) 

输出：

1. tensor([5.5000, 3.0000]) 

创建一个统一的长张量。

1. x = torch.LongTensor(3, 4) 
2. x 
3.  
4. tensor([[94006673833344,   210453397554,   206158430253,   193273528374], 
5.         [  214748364849,   210453397588,   249108103216,   223338299441], 
6.         [  210453397562,   197568495665,   206158430257,   240518168626]]) 

「浮动张量。」

1. x = torch.FloatTensor(3, 4) 
2. x 
3.  
4. tensor([[-3.1152e-18,  3.0670e-41,  3.5032e-44,  0.0000e+00], 
5.         [        nan,  3.0670e-41,  1.7753e+28,  1.0795e+27], 
6.         [ 1.0899e+27,  2.6223e+20,  1.7465e+19,  1.8888e+31]]) 

「在范围内创建张量」

1. torch.arange(10, dtype=torch.float) 
2.  
3. tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.]) 

「重塑张量」

1. x = torch.arange(10, dtype=torch.float)  
2. x 
3.  
4. tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.]) 

使用 .view重塑张量。

1. x.view(2, 5) 
2.  
3. tensor([[0., 1., 2., 3., 4.], 
4.         [5., 6., 7., 8., 9.]]) 

-1根据张量的大小自动识别维度。

1. x.view(5, -1) 
2.  
3. tensor([[0., 1.], 
4.         [2., 3.], 
5.         [4., 5.], 
6.         [6., 7.], 
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。

1. x1 = torch.tensor([[1., 2., 3.], [4., 5., 6.]]) 
2. print("x1: \n", x1) 
3. print("\nx1.shape: \n", x1.shape) 
4. print("\nx1.view(3, -1): \n", x1.view(3 , -1)) 
5. print("\nx1.permute(1, 0): \n", x1.permute(1, 0)) 
6.  
7.  
8. x1:  
9.  tensor([[1., 2., 3.], 
10.         [4., 5., 6.]]) 
11.  
12. x1.shape:  
13.  torch.Size([2, 3]) 
14.  
15. x1.view(3, -1):  
16.  tensor([[1., 2.], 
17.         [3., 4.], 
18.         [5., 6.]]) 
19.  
20. x1.permute(1, 0):  
21.  tensor([[1., 4.], 
22.         [2., 5.], 
23.         [3., 6.]]) 

张量运算

在下面的示例中，我们将查看加法操作：

1. y = torch.rand(5, 3) 
2. print(x + y) 

输出：

1. tensor([[0.5429, 1.7372, 1.0293], 
2.         [0.5418, 0.6088, 1.0718], 
3.         [1.3894, 0.5148, 1.2892], 
4.         [0.9626, 0.7522, 0.9633], 
5.         [0.7547, 0.9931, 0.2709]]) 

调整大小：如果你想调整张量的形状，你可以使用“torch.view”：

1. x = torch.randn(4, 4) 
2. y = x.view(16) 
3. # 大小-1是从其他维度推断出来的 
4. z = x.view(-1, 8)  
5. print(x.size(), y.size(), z.size()) 

输出：

1. torch.Size([4, 4]) torch.Size([16]) torch.Size([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：」

1. a = torch.ones(5) 
2. print(a) 

输出：tensor([1., 1., 1., 1., 1.])

1. b = a.numpy() 
2. 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. a.add_(1) 
2. print(a) 
3. print(b) 

输出：

1. tensor([2., 2., 2., 2., 2.]) 
2. [2. 2. 2. 2. 2.] 

「将 NumPy 数组转换为 Torch 张量：」

1. import numpy as no 
2. a = np.ones(5) 
3. b = torch.from_numpy(a) 
4. np.add(a, 1, out=a) 
5. print(a) 
6. print(b) 

输出：

1. [2. 2. 2. 2. 2.] 
2. tensor([2., 2., 2., 2., 2.], dtype=torch.float64) 

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。

• torch.autograd.function (函数的反向传播)
• torch.autograd.functional (计算图的反向传播)
• torch.autograd.gradcheck (数值梯度检查)
• torch.autograd.anomaly_mode (在自动求导时检测错误产生路径)
• torch.autograd.grad_mode (设置是否需要梯度)
• model.eval() 与 torch.no_grad()
• torch.autograd.profiler (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。

1. x = torch.tensor([1., 2., 3.], requires_grad = True) 
2. print('x: ', x) 
3. y = torch.tensor([10., 20., 30.], requires_grad = True) 
4. print('y: ', y) 
5. z = x + y  
6. print('\nz = x + y') 
7. print('z:', z) 
8.  
9. x:  tensor([1., 2., 3.], requires_grad=True) 
10. y:  tensor([10., 20., 30.], requires_grad=True) 
11.  
12. z = x + y 
13. z: tensor([11., 22., 33.], grad_fn=<AddBackward0>) 

因为requires_grad=True，z知道它是通过增加两个张量的产生z = x + y。

1. s = z.sum() 
2. print(s) 
3.  
4. tensor(66., grad_fn=<SumBackward0>) 

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。

1. s.backward() 
2. print('x.grad: ', x.grad) 
3. print('y.grad: ', y.grad) 
4.  
5. x.grad:  tensor([1., 1., 1.]) 
6. y.grad:  tensor([1., 1., 1.]) 

下面例子是计算log(x)的导数为1 / x

1. import torch 
2. x = torch.tensor([0.5, 0.75], requires_grad=True) 
3. # 1 / x  
4. y = torch.log(x[0] * x[1]) 
5. y.backward() 
6. x.grad # tensor([2.0000, 1.3333]) 

原文链接：https://mp.weixin.qq.com/s/OhtCtLxAgu1gEA2iz9bLYw