---

前言

Pytorch是torch的python版本，是由Facebook开源的神经网络框架，专门针对 GPU 加速的深度神经网络（DNN）编程，相比于Tensorflow，Pytorch简介易用。

---

一、为什么选择Pytorch

简洁：PyTorch的设计追求最少的封装，尽量避免重复造轮子。PyTorch的源码只有TensorFlow的十分之一左右，更少的抽象、更直观的设计使得PyTorch的源码十分易于阅读。
速度：PyTorch 的灵活性不以速度为代价，在许多评测中，PyTorch 的速度表现胜过 TensorFlow和Keras 等框架。
易用：PyTorch 是所有的框架中面向对象设计的最优雅的一个。PyTorch的面向对象的接口设计来源于Torch，而Torch的接口设计以灵活易用而著称。
生态丰富：PyTorch 提供了完整的文档，循序渐进的指南，此外，相关社区还在逐渐壮大。

二、Pytorch的基本使用

2-0、张量的定义

张量：张量是一种特殊的数据结构，与Numpy中的arrays非常相似，在Pytorch中，我们使用张量对模型的输入和输出以及模型的参数进行编码。
注意：Tensors和Numpy中的数组具有底层内存共享，意味着不需要进行复制直接就可以相互转化。

2-1、直接创建张量

2-1-1、torch.Tensor（）

import torch
torch.Tensor([1, 2, 3])

# 涉及到的参数
# data：data的数据类型可以是列表list、元组tuple、numpy数组ndarray、纯量scalar（又叫标量）和其他的一些数据类型。
# dtype：该参数可选参数，默认为None，如果不进行设置，生成的Tensor数据类型会拷贝data中传入的参数的数据类型，比如data中的数据类型为float，则默认会生成数据类型为torch.FloatTensor的Tensor。
# device：该参数可选参数，默认为None，如果不进行设置，会在当前的设备上为生成的Tensor分配内存。
# requires_grad：该参数为可选参数，默认为False，在为False的情况下，创建的Tensor不能进行梯度运算，改为True时，则可以计算梯度。
# pin_memory：该参数为可选参数，默认为False，如果设置为True，则在固定内存中分配当前Tensor，不过只适用于CPU中的Tensor。
1
2
3
4
5
6
7
8
9
10

输出：

2-1-2、torch.from_numpy（）

# notice: 当然我们也可以直接将numpy数组直接转化为Tensor
import torch
import numpy as np
t1 = [1, 2, 3]
np_array = np.array(t1)
data = torch.from_numpy(np_array)
print(data)
1
2
3
4
5
6
7

输出：

2-2、创建数值张量

2-2-1、torch.ones（）

# 创建全1张量。
torch.ones((2,4))
1
2

输出：

2-2-2、torch.full（）

torch.full([2,3],2.0)

参数：
# size: 定义了输出张量的形状。
# full_value: 定义填充的值。
1
2
3
4
5

输出：

2-2-3、torch.arange（）

# 创建等差数列
torch.arange(0, 10, 2)

参数：
start: 等差数列开始。
end: 等差数列结束。
steps: 等差数列的差是多少。
1
2
3
4
5
6
7

输出：

2-2-4、torch.linespace（）

# 创建线性间距向量
torch.linspace(2, 10, 5)

# 参数：
# start: 起始位置
# end: 结束位置
# steps: 步长
# out: 结果张量
1
2
3
4
5
6
7
8

输出：

2-2-5、torch.eye（）

# 创建对角矩阵
# 即生成对角线全为1，其余部分全为0的二维数组
torch.eye(10,3)

# 参数：
# n: 行数
# m: 列数
# out: 输出类型，即输出到哪个矩阵。
1
2
3
4
5
6
7
8

输出：

2-3、根据概率创建张量

2-3-1、torch.randn()

# 创建随机值
# 与rand不同的是，它创建的是包含了从标准正态分布（均值为0，方差为1）中取出的一组随机值。
torch.randn(4)
# 参数
# size: 定义了输出张量的形状
# out: 结果张量
1
2
3
4
5
6

输出：

2-3-2、torch.randint()

# 返回一个填充了随机整数的张量，这些整数在low和high之间均匀生成。张量的shape由参数size定义。
torch.randint(100,size=(10,10))
# 参数说明：
# 常用参数：
# low ( int , optional ) – 要从分布中提取的最小整数。默认值：0。
# high ( int ) – 高于要从分布中提取的最高整数。
# size ( tuple ) – 定义输出张量形状的元组。

# 关键字参数：
# generator ( torch.Generator, optional) – 用于采样的伪随机数生成器
# out ( Tensor , optional ) – 输出张量。
# dtype ( torch.dtype , optional) – 如果是None，这个函数返回一个带有 dtype 的张量torch.int64。
# layout ( torch.layout, optional) – 返回张量的所需布局。默认值：torch.strided。
# device ( torch.device, optional) – 返回张量的所需设备。默认值：如果None，则使用当前设备作为默认张量类型（请参阅torch.set_default_tensor_type()）。device将是 CPU 张量类型的 CPU 和 CUDA 张量类型的当前 CUDA 设备。
# requires_grad ( bool , optional ) – 如果 autograd 应该在返回的张量上记录操作。默认值：False。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

输出：

2-3-3、torch.rand()

# 创建随机值
# 均匀分布
torch.rand(4)
1
2
3

输出：

2-4、张量的一些操作：拼接、切分索引变换

2-4-1、torch.ones_like函数和torch.zeros_like函数

input = torch.rand(4, 6)
print(input)
# 生成与input形状相同、元素全为1的张量
a = torch.ones_like(input)
print(a)
# 生成与input形状相同、元素全为0的张量
b = torch.zeros_like(input)
print(b)
1
2
3
4
5
6
7
8

输出：

2-4-2、torch.cat函数

# 生成一个两行三列的全1张量。
t = torch.ones((2,3))
# 拼接函数cat
# 在给定维度上对输入的张量进行连接操作
torch.cat([t,t], dim=0)

# 参数
# inputs : 待连接的张量序列，可以是任意相同Tensor类型的python 序列
# dim : 选择的扩维, 必须在0到len(inputs[0])之间，沿着此维连接张量序列。
1
2
3
4
5
6
7
8
9

输出：
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])

2-4-3、torch.stack函数

# 拼接函数stack
# 与cat不同的是，stack会增加维度。 简单来说就是增加新的维度进行堆叠。
# 扩维拼接！
torch.stack([t,t], dim=1)

# 参数
# inputs : 待连接的张量序列，可以是任意相同Tensor类型的python 序列
# dim : 选择的扩维, 必须在0到len(inputs[0])之间，沿着此维连接张量序列。
1
2
3
4
5
6
7
8

输出：

2-4-4、torch.chunk函数

t = torch.ones((2,5))
# 在给定维度上将输入张量进行分块
torch.chunk(t, dim=1, chunks=5)
# input：被分块的张量。
# chunks：要切的份数。
# dim：在哪个维度上切分。
1
2
3
4
5
6

输出：

2-4-5、torch.split函数

# 将tensor分成块结构
torch.split(t, [1,1,3], dim=1)
# input：待输入张量
# split_size_or_sections： 需要切分的大小，可以为列表或者数字。
# dim：切分维度
1
2
3
4
5

输出：

参考文章：
pytorch简介.
PyTorch 的基本使用.
Pytorch基础–torch.Tensor.
torch.randn和torch.rand有什么区别.
pytorch 之 torch.eye()函数.
torch.randint().
torch.stack()的官方解释，详解以及例子.
torch.split().

重要：！！！PyTorch 中文教程 & 文档.

---

总结

今天是周五哎，好耶。