PyTorch安装与基本使用详解

什么要学习PyTorch?

有的人总是选择,选择的人最多的框架,来作为自己的初学框架,比如 Tensorflow ,但是大多论文的实现都是基于 PyTorch 的,如果我们要深入论文的细节,就必须选择学习入门 PyTorch

安装PyTorch

一行命令即可 官网

pip install torch===1.6.0 torchvision===0.7.0 - https://download.pytorch.org/whl/torch_stable.html

时间较久,耐心等待

测试自己是否安装成功

运行命令测试

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

输出

tensor([[0.5096, 0.1209, 0.7721],         [0.9486, 0.8676, 0.2157],         [0.0586, 0.3467, 0.5015],         [0.9470, 0.5654, 0.9317],         [0.2127, 0.2386, 0.0629]])

开始学习PyTorch

不初始化的创建 张量

import torch
x = torch.empty([5,5])
print(x)

输出

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

随机创建一个0-1的 张量

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

输出

tensor([[0.3369, 0.5339, 0.8419, 0.6857, 0.6241],         [0.4991, 0.1691, 0.8356, 0.4574, 0.0395],         [0.9714, 0.2975, 0.9322, 0.5213, 0.8509],         [0.3037, 0.8690, 0.3481, 0.2538, 0.9513],         [0.0156, 0.9516, 0.3674, 0.1831, 0.6466]])

创建全为0的 张量

import torch
x = torch.zeros(5,5, dtype=torch.float32)
print(x)

创建的时候可以通过 dtype 指定数据类型

输出

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

使用数据来直接创建 张量

import torch
x = torch.zeros([5,5], dtype=torch.float32)
print(x)

输出

tensor([5., 5.])

使用原有 tensor 创建新的 tensor

import torch
x = torch.tensor([5,5], dtype=torch.float32)
x = x.new_zeros(5, 3)
y = torch.rand_like(x)
print(x)
print(y)

输出

tensor([[0., 0., 0.],         [0., 0., 0.],         [0., 0., 0.],         [0., 0., 0.],         [0., 0., 0.]]) tensor([[0.5552, 0.3333, 0.0426],         [0.3861, 0.3945, 0.6658],         [0.6978, 0.3508, 0.4813],         [0.8193, 0.2274, 0.8384],         [0.9360, 0.9226, 0.1453]])

观察 tensor 的维度信息

x = torch.rand(3,3)
x.size()

输出

torch.Size([3, 3])

一些简单的运算

x = torch.tensor([1])
y = torch.tensor([3])
'''
方式1
'''
z = x + y
'''
方式2
''' 
z = torch.add(x, y)
'''
方式3
'''
result = torch.empty(1)
# 不初始化数据
torch.add(x, y, out=result)
# 将结果返回到result中
'''
方式4
'''
x.add_(y)

输出

tensor([4])

索引操作

x = torch.rand(5,5)
x[:,:]
x[1,:]
x[:,1]
x[1,1]

分别输出

tensor([[0.4012, 0.2604, 0.1720, 0.0996, 0.7806],         [0.8734, 0.9087, 0.4828, 0.3543, 0.2375],         [0.0924, 0.9040, 0.4408, 0.9758, 0.2250],         [0.7179, 0.7244, 0.6165, 0.1142, 0.7363],         [0.8504, 0.0391, 0.0753, 0.4530, 0.7372]]) tensor([0.8734, 0.9087, 0.4828, 0.3543, 0.2375]) tensor([0.2604, 0.9087, 0.9040, 0.7244, 0.0391]) tensor(0.9087)

维度变换

x = torch.rand(4,4)
x.view(16)
x.view(8,2)
x.view(-1,8)

分别输出

tensor([0.9277, 0.9547, 0.9487, 0.9841, 0.4114, 0.1693, 0.8691, 0.3954, 0.4679,         0.7914, 0.7456, 0.0522, 0.0043, 0.2097, 0.5932, 0.9797]) tensor([[0.9277, 0.9547],         [0.9487, 0.9841],         [0.4114, 0.1693],         [0.8691, 0.3954],         [0.4679, 0.7914],         [0.7456, 0.0522],         [0.0043, 0.2097],         [0.5932, 0.9797]]) tensor([[0.9277, 0.9547, 0.9487, 0.9841, 0.4114, 0.1693, 0.8691, 0.3954],         [0.4679, 0.7914, 0.7456, 0.0522, 0.0043, 0.2097, 0.5932, 0.9797]])

注意:必须维度变换数据的数量必须保持一致

到此这篇关于PyTorch安装与基本使用详解的文章就介绍到这了,更多相关PyTorch安装与使用内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！

查看更多关于PyTorch安装与基本使用详解的详细内容...