您当前的位置:首页 >> 汽车
博客 | Pytorch入门演练
发布时间:2019-06-28
 


本文原载于微信公众号:磐创AI(ID:xunixs),欢迎关注磐创AI微信公众号AI研习社博客专栏


作者 | 磐石

编辑 | 安可

出品 | 磐创AI技术团队


【引言】Pytorch是一个基于Python的科学计算软件包,有以下两种定位:

  • 可以使用多GPU加速的NumPy替代品

  • 提供最大限度灵活性与速度的深度学习研究平台


一、入门

1.Tensors(张量)

Tensors(张量)类似于NumPy中的ndarray,另外它还可以使用GPU加速计算。

from__future__import print_function
importtorch


构造一个未初始化的5x3矩阵:

x = torch.empty(5, 3)
print(x)


输出:

tensor([[-9.0198e-17,  4.5633e-41, -2.9021e-15],
       [ 4.5633e-41,  0.0000e+00,  0.0000e+00],
       [ 0.0000e+00,  0.0000e+00,  0.0000e+00],
       [ 0.0000e+00,  0.0000e+00,  0.0000e+00],
       [ 0.0000e+00,  0.0000e+00,  0.0000e+00]])


构造一个随机初始化的矩阵:

x = torch.rand(5, 3)
print(x)


输出:

tensor([[0.1525, 0.7689, 0.5664],
       [0.7688, 0.0039, 0.4129],
       [0.9979, 0.3479, 0.2767],
       [0.9580, 0.9492, 0.6265],
       [0.2716, 0.6627, 0.3248]])


构造一个使用零填充、数据类型为long(长整型)的5X3矩阵:

x = torch.zeros(5, 3, dtype=torch.long)
print(x)


输出:

tensor([[0, 0, 0],
       [0, 0, 0],
       [0, 0, 0],
       [0, 0, 0],
       [0, 0, 0]])


直接用一组数据构造Tensor(张量):

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


输出:

tensor([5.5000, 3.0000])


或者根据现有的Tensor(张量)创建新的Tensor(张量)。除非用户提供新值,否则这些方法将重用输入张量的属性,例如dtype:

x = x.new_ones(5, 3, dtype=torch.double)  # 使用new_* 方法设定维度
print(x)

x = torch.randn_like(x, dtype=torch.float)   # 重新设定数据类型
Print(x)                                   # 结果维度不变


输出:

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

tensor([[ 0.4228,  0.3279,  0.6367],
       [ 0.9233, -0.5232, -0.6494],
       [-0.1946,  1.7199, -0.1954],
       [ 0.1222,  0.7204, -1.3328],
       [ 0.1230, -0.5800,  0.4562]])


输出它的大小:

print(x.size())


输出:

torch.Size([5, 3])

注意:torch.Size 实际上是一个元组,因此它支持所有元组操作。


2. 运算

Tensor运算有多种语法。在下面的示例中,我们将先示例加法运算。

加法运算:语法1

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


输出:

tensor([[ 0.0732,  0.9384, -0.2489],
       [-0.6905,  2.1267,  3.0045],
       [ 0.6199,  0.4936, -0.0398],
       [-2.0623, -0.5140,  1.6162],
       [ 0.3189, -0.0327, -0.5353]])


加法运算:语法2

print(torch.add(x, y))


输出:

tensor([[ 0.0732,  0.9384, -0.2489],
       [-0.6905,  2.1267,  3.0045],
       [ 0.6199,  0.4936, -0.0398],
       [-2.0623, -0.5140,  1.6162],
       [ 0.3189, -0.0327, -0.5353]])


加法运算:使用输出Tensor(张量)作为参数

result = torch.empty(5, 3)
torch.add(x, y, out=result)

print(result)


输出:

tensor([[ 0.0732,  0.9384, -0.2489],
       [-0.6905,  2.1267,  3.0045],
       [ 0.6199,  0.4936, -0.0398],
       [-2.0623, -0.5140,  1.6162],
       [ 0.3189, -0.0327, -0.5353]])


加法运算:内联接

# adds x to y
y.add_(x)
print(y)


输出:

tensor([[ 0.0732,  0.9384, -0.2489],
       [-0.6905,  2.1267,  3.0045],
       [ 0.6199,  0.4936, -0.0398],
       [-2.0623, -0.5140,  1.6162],
       [ 0.3189, -0.0327, -0.5353]])

注意:任何改变原张量实现内联接的操作都是通过在后边加_ 实现的。例如:x.copy_(y),x.t_(),将将改变x的值。】


你可以像在NumPy中一样使用索引及其他所有华丽的功能。

print(x[:, 1])


输出:

tensor([ 0.3279, -0.5232,  1.7199,  0.7204, -0.5800])


Resizing(调整大小):如果要resize/reshape张量,可以使用torch.view

x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8)  # -1是推断出来的

print(x.size(), y.size(), z.size())


输出:

torch.Size([4, 4])  torch.Size([16])  torch.Size([2, 8])


如果你有只含一个元素的张量,可以用.item()获取它的值作为Python数值

x = torch.randn(1)
print(x)
print(x.item())


输出:

tensor([0.1550])
0.15495021641254425

【延伸阅读:100+张量操作,包括置换,索引,切片,数学运算,线性代数,随机数等等,被详细描述在这里(https://pytorch.org/docs/torch)。】


二、NUMPY桥接器

将Torch Tensor转换为NumPy array是一件轻而易举的事(反之亦然)。Torch Tensor和NumPyarray共享其底层内存位置,更改一个将改变另一个。

1.将Torch Tensor转换为NumPy array

a = torch.ones(5)
print(a)


输出:

tensor([1., 1., 1., 1., 1.])
b = a.numpy()
print(b)


输出:

[1. 1. 1. 1. 1.]


了解numpyarray的值如何变化。

a.add_(1)
print(a)
print(b)


输出: