什么是 PyTorch？

PyTorch是一個基于Python的科學(xué)計算包，提供最大靈活性和速度的深度學(xué)習(xí)研究平臺。

張量

張量類似于NumPy 的n 維數(shù)組，此外張量也可以在 GPU 上使用以加速計算。

讓我們構(gòu)造一個簡單的張量并檢查輸出。首先讓我們看看我們?nèi)绾螛?gòu)建一個 5×3 的未初始化矩陣：

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

輸出如下：

tensor([[2.7298e+32, 4.5650e-41, 2.7298e+32],
        [4.5650e-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]])

現(xiàn)在讓我們構(gòu)造一個隨機初始化的矩陣：

x = torch.rand(5, 3)
print(x)

輸出：

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

直接從數(shù)據(jù)構(gòu)造張量：

x = torch.tensor([5.5, 3])
print(x)

輸出：

tensor([5.5000, 3.0000])

創(chuàng)建一個統(tǒng)一的長張量。

x = torch.LongTensor(3, 4)
x

tensor([[94006673833344,   210453397554,   206158430253,   193273528374],
        [  214748364849,   210453397588,   249108103216,   223338299441],
        [  210453397562,   197568495665,   206158430257,   240518168626]])

「浮動張量。」

x = torch.FloatTensor(3, 4)
x

tensor([[-3.1152e-18,  3.0670e-41,  3.5032e-44,  0.0000e+00],
        [        nan,  3.0670e-41,  1.7753e+28,  1.0795e+27],
        [ 1.0899e+27,  2.6223e+20,  1.7465e+19,  1.8888e+31]])

「在范圍內(nèi)創(chuàng)建張量」

torch.arange(10, dtype=torch.float)

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

「重塑張量」

x = torch.arange(10, dtype=torch.float) 
x

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

使用 .view重塑張量。

x.view(2, 5)

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

-1根據(jù)張量的大小自動識別維度。

x.view(5, -1)

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

「改變張量軸」

改變張量軸：兩種方法view和permute

view改變張量的順序，而permute只改變軸。

x1 = torch.tensor([[1., 2., 3.], [4., 5., 6.]])
print("x1: \n", x1)
print("\nx1.shape: \n", x1.shape)
print("\nx1.view(3, -1): \n", x1.view(3 , -1))
print("\nx1.permute(1, 0): \n", x1.permute(1, 0))


x1: 
 tensor([[1., 2., 3.],
        [4., 5., 6.]])

x1.shape: 
 torch.Size([2, 3])

x1.view(3, -1): 
 tensor([[1., 2.],
        [3., 4.],
        [5., 6.]])

x1.permute(1, 0): 
 tensor([[1., 4.],
        [2., 5.],
        [3., 6.]])

張量運算

在下面的示例中，我們將查看加法操作：

y = torch.rand(5, 3)
print(x + y)

輸出：

tensor([[0.5429, 1.7372, 1.0293],
        [0.5418, 0.6088, 1.0718],
        [1.3894, 0.5148, 1.2892],
        [0.9626, 0.7522, 0.9633],
        [0.7547, 0.9931, 0.2709]])

調(diào)整大小：如果你想調(diào)整張量的形狀，你可以使用“torch.view”：

x = torch.randn(4, 4)
y = x.view(16)
# 大小-1是從其他維度推斷出來的
z = x.view(-1, 8) 
print(x.size(), y.size(), z.size())

輸出：

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

PyTorch 和 NumPy的轉(zhuǎn)換

NumPy 是Python 編程語言的庫，增加了對大型、多維數(shù)組和矩陣的支持，以及對這些數(shù)組進行操作的大量高級數(shù)學(xué)函數(shù)集合。

將Torch中Tensor 轉(zhuǎn)換為 NumPy 數(shù)組，反之亦然是輕而易舉的！

Torch Tensor 和 NumPy 數(shù)組將共享它們的底層內(nèi)存位置 ，改變一個將改變另一個。

「將 Torch 張量轉(zhuǎn)換為 NumPy 數(shù)組：」

a = torch.ones(5)
print(a)

輸出：tensor([1., 1., 1., 1., 1.])

b = a.numpy()
print(b)

輸出：[1., 1., 1., 1., 1.]

讓我們執(zhí)行求和運算并檢查值的變化：

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

輸出：

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

「將 NumPy 數(shù)組轉(zhuǎn)換為 Torch 張量：」

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

輸出：

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

所以，正如你所看到的，就是這么簡單！

接下來在這個 PyTorch 教程博客上，讓我們看看PyTorch 的 AutoGrad 模塊。

AutoGrad

該autograd包提供自動求導(dǎo)為上張量的所有操作。

它是一個按運行定義的框架，這意味著您的反向傳播是由您的代碼運行方式定義的，并且每次迭代都可以不同。

• torch.autograd.function （函數(shù)的反向傳播）
• torch.autograd.functional （計算圖的反向傳播）
• torch.autograd.gradcheck （數(shù)值梯度檢查）
• torch.autograd.anomaly_mode （在自動求導(dǎo)時檢測錯誤產(chǎn)生路徑）
• torch.autograd.grad_mode （設(shè)置是否需要梯度）
• model.eval() 與 torch.no_grad()
• torch.autograd.profiler （提供 function 級別的統(tǒng)計信息）

「下面使用 Autograd 進行反向傳播。」

如果requires_grad=True，則 Tensor 對象會跟蹤它是如何創(chuàng)建的。

x = torch.tensor([1., 2., 3.], requires_grad = True)
print('x: ', x)
y = torch.tensor([10., 20., 30.], requires_grad = True)
print('y: ', y)
z = x + y 
print('\nz = 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=<AddBackward0>)

因為requires_grad=True，z知道它是通過增加兩個張量的產(chǎn)生z = x + y。

s = z.sum()
print(s)

tensor(66., grad_fn=<SumBackward0>)

s是由它的數(shù)字總和創(chuàng)建的。當我們調(diào)用.backward()，反向傳播從s開始運行。然后可以計算梯度。

s.backward()
print('x.grad: ', x.grad)
print('y.grad: ', y.grad)

x.grad:  tensor([1., 1., 1.])
y.grad:  tensor([1., 1., 1.])

下面例子是計算log(x)的導(dǎo)數(shù)為1 / x

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