当前位置：网站首页>Pytorch的安装以及入门使用

Pytorch的安装以及入门使用

2022-06-30 05:06:00 【不想秃头的学生】

Pytorch的安装

目标

  1. 知道如何安装pytorch

1. Pytorch的介绍

Pytorch是一款facebook发布的深度学习框架，由其易用性，友好性，深受广大用户青睐。

2. Pytorch的版本

在这里插入图片描述

3. Pytorch的安装

安装地址介绍：https://pytorch.org/get-started/locally/

带GPU安装步骤：

conda install pytorch torchvision cudatoolkit=9.0 -c pytorch

不带GPU安装步骤

conda install pytorch-cpu torchvision-cpu -c pytorch

安装之后打开ipython

输入：

In [1]:import torch
In [2]: torch.__version__
Out[2]: '1.0.1'

注意：安装模块的时候安装的是pytorch ，但是在代码中都是使用torch

详细介绍之前出过一篇文章，大家有需要可以自行前往

深度学习第一步（anaconda、pytorch安装）

Pytorch的入门使用

目标

  1. 知道张量和Pytorch中的张量
  2. 知道pytorch中如何创建张量
  3. 知道pytorch中tensor的常见方法
  4. 知道pytorch中tensor的数据类型
  5. 知道pytorch中如何实现tensor在cpu和cuda中转化

1. 张量Tensor

张量是一个统称，其中包含很多类型：

  1. 0阶张量：标量、常数，0-D Tensor
  2. 1阶张量：向量，1-D Tensor
  3. 2阶张量：矩阵，2-D Tensor
  4. 3阶张量
  5. …
  6. N阶张量

2. Pytorch中创建张量

  1. 使用python中的列表或者序列创建tensor

    torch.tensor([[1., -1.], [1., -1.]])
tensor([[ 1.0000, -1.0000],
        [ 1.0000, -1.0000]])

  2. 使用numpy中的数组创建tensor

    torch.tensor(np.array([[1, 2, 3], [4, 5, 6]]))
tensor([[ 1,  2,  3],
        [ 4,  5,  6]])

  3. 使用torch的api创建tensor

    1. torch.empty(3,4)创建3行4列的空的tensor，会用无用数据进行填充

    2. torch.ones([3,4]) 创建3行4列的全为1的tensor

    3. torch.zeros([3,4])创建3行4列的全为0的tensor

    4. torch.rand([3,4]) 创建3行4列的随机值的tensor，随机值的区间是[0, 1)

      >>> torch.rand(2, 3)
tensor([[ 0.8237,  0.5781,  0.6879],
[ 0.3816,  0.7249,  0.0998]])

    5. torch.randint(low=0,high=10,size=[3,4]) 创建3行4列的随机整数的tensor，随机值的区间是[low, high)

      >>> torch.randint(3, 10, (2, 2))
tensor([[4, 5],
	[6, 7]])

    6. torch.randn([3,4]) 创建3行4列的随机数的tensor，随机值的分布式均值为0，方差为1

3. Pytorch中tensor的常用方法

  1. 获取tensor中的数据(当tensor中只有一个元素可用)：tensor.item()

    In [10]: a = torch.tensor(np.arange(1))

In [11]: a
Out[11]: tensor([0])

In [12]: a.item()
Out[12]: 0

  2. 转化为numpy数组

    In [55]: z.numpy()
Out[55]:
array([[-2.5871205],
       [ 7.3690367],
       [-2.4918075]], dtype=float32)

  3. 获取形状：tensor.size()

    In [72]: x
Out[72]:
tensor([[    1,     2],
        [    3,     4],
        [    5,    10]], dtype=torch.int32)

In [73]: x.size()
Out[73]: torch.Size([3, 2])

  4. 形状改变：tensor.view((3,4))。类似numpy中的reshape，是一种浅拷贝，仅仅是形状发生改变

    In [76]: x.view(2,3)
Out[76]:
tensor([[    1,     2,     3],
        [    4,     5,    10]], dtype=torch.int32)

  5. 获取阶数：tensor.dim()

    In [77]: x.dim()
Out[77]: 2

  6. 获取最大值：tensor.max()

    In [78]: x.max()
Out[78]: tensor(10, dtype=torch.int32)

  7. 转置：tensor.t()

    In [79]: x.t()
Out[79]:
tensor([[    1,     3,     5],
        [    2,     4, 	  10]], dtype=torch.int32)

  8. tensor[1,3] 获取tensor中第一行第三列的值

  9. tensor[1,3]=100 对tensor中第一行第三列的位置进行赋值100

  10. tensor的切片

In [101]: x
Out[101]:
tensor([[1.6437, 1.9439, 1.5393],
     [1.3491, 1.9575, 1.0552],
     [1.5106, 1.0123, 1.0961],
     [1.4382, 1.5939, 1.5012],
     [1.5267, 1.4858, 1.4007]])

In [102]: x[:,1]
Out[102]: tensor([1.9439, 1.9575, 1.0123, 1.5939, 1.4858])

​

4. tensor的数据类型

tensor中的数据类型非常多，常见类型如下：

在这里插入图片描述

上图中的Tensor types表示这种type的tensor是其实例

  1. 获取tensor的数据类型:tensor.dtype

    In [80]: x.dtype
Out[80]: torch.int32

  2. 创建数据的时候指定类型

    In [88]: torch.ones([2,3],dtype=torch.float32)
Out[88]:
tensor([[9.1167e+18, 0.0000e+00, 7.8796e+15],
        [8.3097e-43, 0.0000e+00, -0.0000e+00]])

  3. 类型的修改

    In [17]: a
Out[17]: tensor([1, 2], dtype=torch.int32)

In [18]: a.type(torch.float)
Out[18]: tensor([1., 2.])

In [19]: a.double()
Out[19]: tensor([1., 2.], dtype=torch.float64)

5. tensor的其他操作

  1. tensor和tensor相加

    In [94]: x = x.new_ones(5, 3, dtype=torch.float)

In [95]: y = torch.rand(5, 3)

In [96]: x+y
Out[96]:
tensor([[1.6437, 1.9439, 1.5393],
        [1.3491, 1.9575, 1.0552],
        [1.5106, 1.0123, 1.0961],
        [1.4382, 1.5939, 1.5012],
        [1.5267, 1.4858, 1.4007]])
In [98]: torch.add(x,y)
Out[98]:
tensor([[1.6437, 1.9439, 1.5393],
        [1.3491, 1.9575, 1.0552],
        [1.5106, 1.0123, 1.0961],
        [1.4382, 1.5939, 1.5012],
        [1.5267, 1.4858, 1.4007]])
In [99]: x.add(y)
Out[99]:
tensor([[1.6437, 1.9439, 1.5393],
        [1.3491, 1.9575, 1.0552],
        [1.5106, 1.0123, 1.0961],
        [1.4382, 1.5939, 1.5012],
        [1.5267, 1.4858, 1.4007]])
In [100]: x.add_(y)  #带下划线的方法会对x进行就地修改
Out[100]:
tensor([[1.6437, 1.9439, 1.5393],
        [1.3491, 1.9575, 1.0552],
        [1.5106, 1.0123, 1.0961],
        [1.4382, 1.5939, 1.5012],
        [1.5267, 1.4858, 1.4007]])

In [101]: x #x发生改变
Out[101]:
tensor([[1.6437, 1.9439, 1.5393],
        [1.3491, 1.9575, 1.0552],
        [1.5106, 1.0123, 1.0961],
        [1.4382, 1.5939, 1.5012],
        [1.5267, 1.4858, 1.4007]])

    注意：带下划线的方法（比如:add_)会对tensor进行就地修改

  2. tensor和数字操作

    In [97]: x +10
Out[97]:
tensor([[11., 11., 11.],
        [11., 11., 11.],
        [11., 11., 11.],
        [11., 11., 11.],
        [11., 11., 11.]])

  3. CUDA中的tensor

    CUDA（Compute Unified Device Architecture），是NVIDIA推出的运算平台。 CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。

    torch.cuda这个模块增加了对CUDA tensor的支持，能够在cpu和gpu上使用相同的方法操作tensor

    通过.to方法能够把一个tensor转移到另外一个设备(比如从CPU转到GPU)

    #device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
if torch.cuda.is_available():
    device = torch.device("cuda")          # cuda device对象
    y = torch.ones_like(x, device=device)  # 创建一个在cuda上的tensor
    x = x.to(device)                       # 使用方法把x转为cuda 的tensor
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))       # .to方法也能够同时设置类型
    
>>tensor([1.9806], device='cuda:0')
>>tensor([1.9806], dtype=torch.float64)

通过前面的学习，可以发现torch的各种操作几乎和numpy一样

视频学习网站：pytorch入门学习视频

原网站

版权声明
本文为[不想秃头的学生]所创，转载请带上原文链接，感谢
https://blog.csdn.net/weixin_61587867/article/details/125509954

边栏推荐

猜你喜欢

随机推荐