PyTorch 教程-PyTorch基础

现在，逐一理解所有这些概念，以深入了解PyTorch。

矩阵或张量

上面的矩阵表示具有三行和两列的2D张量。

1. 使用数组创建PyTorch张量

2. 创建包含全部为1和随机数的张量

3. 从NumPy数组创建张量

让我们看看如何创建张量

专属福利 
👉点击领取：最全Python资料合集

创建一个PyTorch张量作为数组

在这种情况下，您首先必须定义数组，然后将该数组作为参数传递给torch的Tensor方法。

import torch  arr = [[3, 4], [8, 5]]   pyTensor = torch.Tensor(arr)  print(pyTensor)

tensor ([[3., 4.],[8., 5.]])

创建具有随机数和全部为1的张量

要创建一个具有随机数的张量，您必须使用rand()方法，要创建一个全部为1的张量，您必须使用torch的ones()。为了生成随机数，torch的rand之外还将使用带有0参数的manual_seed方法。

import torch  ones_t = torch.ones((2, 2))   torch.manual_seed(0)  //to have same values for random generation  rand_t = torch.rand((2, 2))  print(ones_t)  print(rand_t)

Tensor ([[1., 1.],[1., 1.]])tensor ([[0.4963, 0.7682],[0.0885, 0.1320]])

从NumPy数组创建张量

要从NumPy数组创建张量，我们必须创建一个NumPy数组。一旦创建了NumPy数组，我们必须将其作为参数传递给from_numpy()。此方法将NumPy数组转换为张量。

import torch  import numpy as np1  numpy_arr = np1.ones((2, 2))  pyTensor = torch.from_numpy(numpy_arr)  np1_arr_from_Tensor = pyTensor.numpy()  print(np1_arr_from_Tensor)

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

张量运算

1) 改变张量的大小

我们可以使用张量的size属性来调整张量的大小。我们使用Tensor.view()来调整张量的大小。调整张量的大小意味着将2x2维张量转换为4x1或4x4维张量转换为16x1等。要打印张量的大小，我们使用Tensor.size()方法。

import torch  pyt_Tensor = torch.ones((2, 2))  print(pyt_Tensor.size())        # shows the size of this Tensor  pyt_Tensor = pyt_Tensor.view(4) # resizing 2x2 Tensor to 4x1  print(pyt_Tensor)

torch.Size ([2, 2])tensor ([1., 1., 1., 1.])

2) 数学运算

让我们看一个数学运算如何执行的示例：

import numpy as np  import torch  Tensor_a = torch.ones((2, 2))  Tensor_b = torch.ones((2, 2))  result=Tensor_a+Tensor_b  result1 = torch.add(Tensor_a, Tensor_b)     //another way of addidtion  Tensor_a.add_(Tensor_b) // In-place addition  print(result)  print(result1)  print(Tensor_a)

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

3) 均值和标准差

我们可以计算张量的标准差，无论是一维还是多维。在我们的数学计算中，我们首先要计算均值，然后在给定的数据上应用以下公式。

让我们看一个计算的示例。

import torch  pyTensor = torch.Tensor([1, 2, 3, 4, 5])  mean = pyt_Tensor.mean(dim=0)        //if multiple rows then dim = 1  std_dev = pyTensor.std(dim=0)       // if multiple rows then dim = 1  print(mean)  print(std_dev)

输出:

tensor (3.)tensor (1.5811)

变量和梯度

通过.data属性，您可以访问原始张量，而此变量的梯度累积到.grad中。

下面是用于管理变量的Python代码。

import numpy as np  import torch  from torch.autograd import Variable  pyt_var = Variable(torch.ones((2, 2)), requires_grad = True)

上述代码的行为与张量相同，因此我们可以以相同的方式应用所有操作。

示例

import numpy as np  import torch  from torch.autograd import Variable    // let's consider the following equation  // y = 5(x + 1)^2  x = Variable (torch.ones(1), requires_grad = True)  y = 5 * (x + 1) ** 2        //implementing the equation.  y.backward()                // calculate gradient  print(x.grad)                // get the gradient of variable x  # differentiating the above mentioned equation  // => 5(x + 1)^2 = 10(x + 1) = 10(2) = 20  

输出:

tensor([20.])

 1

热门推荐

• 被骗进一个很隐蔽的外包公司，入职一个月才发现，已经有了社保记录，简历污了，以后面试有影响吗？
• PyTorch 教程-PyTorch中的torch.nn模块
• iOS快捷指令：如何九宫格切图？