基于PyTorch的深度学习入门教程(二)——简单知识
来源:互联网 发布:js立体饼状图插件 编辑:程序博客网 时间:2024/05/29 17:58
前言
本文参考PyTorch官网的教程,分为五个基本模块来介绍PyTorch。为了避免文章过长,这五个模块分别在五篇博文中介绍。
Part1:PyTorch简单知识
Part2:PyTorch的自动梯度计算
Part3:使用PyTorch构建一个神经网络
Part4:训练一个神经网络分类器
Part5:数据并行化
本文是关于Part1的内容。
Part1:PyTorch简单知识
PyTorch是一个基于Python的科学计算框架,用于进行深度学习相关研究。对于Python语言的入门,可以参考之前的两篇介绍Python&Numpy的博客。分别是Python& Numpy 教程(上) 和Python & Numpy 教程(下)。这里我们就直接介绍PyTorch中的基本操作。
1 Tensors
Tensors与numpy中的ndarray类似,但是Tensors支持GPU运算。首先来做一些简单的例子。
导入基本的package:
from __future__ import print_functionimport torch
构建一个5*3的未初始化的矩阵:
x = torch.Tensor(5, 3)print(x)
构建一个随机初始化矩阵:
x = torch.rand(5, 3)print(x)
获取矩阵的size:
print(x.size())
注意,torch.Size实际上是一个tuple,所以它支持相同的运算。
2 运算(Operations)
运算可以使用多种语法表示,我们以加法为例子来说明。
加法:语法1
y = torch.rand(5, 3)print(x + y)
加法:语法2
print(torch.add(x, y))
加法:给定输出的tensor
result = torch.Tensor(5, 3)torch.add(x, y, out=result)print(result)
加法:原地进行(in-place)的加法
# adds x to yy.add_(x)print(y)
注意,任何原地改变tensor的运算后边会后缀一个“_”,例如:x.copy_(y),x.t_(),会改变x的值。
你可以使用标准的numpy方式的索引。
print(x[:, 1])
3 NumpyBridge
将torch的Tensor转换为numpy的array,反之亦然。
torch的Tensor和numpy的array分享底层的内存地址,所以改变其中一个就会改变另一个。
将torch Tensor转换为numpy array
a = torch.ones(5)print(a)
b = a.numpy()print(b)
观察numpy array的值怎样改变。
a.add_(1)print(a)print(b)
将numpy array 转换为torch Tensor
看一下改变numpy array的值是怎样同时改变torch Tensor的。
import numpy as npa = np.ones(5)b = torch.from_numpy(a)np.add(a, 1, out=a)print(a)print(b)
CPU上的所有Tensors(除了CharTensor)支持到Numpy的双向转换。
4 CUDA Tensors
通过使用 .cuda 函数,Tensors可以被移动到GPU。
# let us run this cell only if CUDA is availableif torch.cuda.is_available(): x = x.cuda() y = y.cuda() x + y
- 基于PyTorch的深度学习入门教程(二)——简单知识
- 基于PyTorch的深度学习入门教程(一)——PyTorch安装和配置
- 基于PyTorch的深度学习入门教程(七)——PyTorch重点综合实践
- 基于PyTorch的深度学习入门教程(三)——自动梯度
- 基于PyTorch的深度学习入门教程(四)——构建神经网络
- 基于PyTorch的深度学习入门教程(五)——训练神经网络分类器
- 基于PyTorch的深度学习入门教程(六)——数据并行化
- 基于PyTorch的深度学习入门教程(八)——图像风格迁移
- PyTorch学习总结(二)——基于torch.utils.ffi的自定义C扩展
- PyTorch学习—PyTorch是什么?
- 深度学习实践操作—从小白到大白(八):安装Pytorch到特定的Anaconda环境
- Pytorch学习笔记(二)
- PyTorch的入门教程实战
- Pytorch写深度学习
- 深度学习(二十八)基于多尺度深度网络的单幅图像深度估计
- 神经网络和深度学习(二)——一个简单的手写数字分类网络
- 基于深度学习的视频检测(二)
- PyTorch学习系列(二)——数据预处理torchvision.transforms
- [leetcode]283. Move Zeroes[facebook]
- Android Gradle(1)— Flavor,简单使用多渠道打包
- [leetcode]67. Add Binary[facebook]
- 磁盘分区创建场景memo
- 在虚拟磁盘中安装Windows Server 2016
- 基于PyTorch的深度学习入门教程(二)——简单知识
- 哈尔滨理工大学第七届程序设计竞赛决赛(网络赛-低年级组)
- Service Worker初体验
- 我们未曾尽力的2017,哪些目标没实现?
- 基于PyTorch的深度学习入门教程(三)——自动梯度
- Java的JDBC数据库连接池实现方法
- Spring Boot学习笔记
- 版本管理之gitlab实践教程:基础篇(10)
- 【莫比乌斯反演+数位DP】2017 计蒜之道 复赛 A.阿里云秘钥池