1. Pytorch的基本语法

左手的ㄟ右手 2023-10-03 21:08 7阅读 0赞

#### 文章目录 ####

*  1.1 认识Pytorch
 *   *  学习目标
     *  什么是Pytorch
     *  Pytorch的基本元素操作
     *   *  创建矩阵的操作
         *   *  创建一个没有初始化的矩阵:
             *  创建一个有初始化的矩阵:
             *  创建一个全零矩阵并可指定数据元素的类型为long
             *  直接通过数据创建张量
             *  通过已有的一个张量创建相同尺寸的新张量
             *  得到张量的尺寸:
     *  Pytorch的基本运算操作
     *   *  加法操作:
         *  第二种加法方式:torch.add(x, y)
         *  第三种加法方式:torch.add(x, y, out=result)
         *  第四种加法方式: in-place (原地置换)
         *  改变张量的形状: torch.view()
         *  如果张量中==只有一个元素==, 可以用.item()将值取出, 作为一个python number
     *  关于Torch Tensor和Numpy array之间的相互转换
     *   *  Torch Tensor和Numpy array==共享底层的内存空间==, 因此\*\*改变其中一个的值, 另一个也会随之被改变.\*\*
         *  将Torch Tensor转换为Numpy array
         *  对其中一个进行加法操作, \*\*另一个也随之被改变:\*\*
         *  将Numpy array转换为Torch Tensor:
         *  关于Cuda Tensor: Tensors可以\*\*用.to()方法来将其移动到任意设备上.\*\*
     *  小节总结
 *  1.2 Pytorch中的autograd
 *   *  学习目标
     *  关于torch.Tensor
     *  关于torch.Function：
     *  关于Tensor的操作
     *   *  在具有requires\_grad=True的Tensor上执行一个加法操作
         *  打印Tensor的grad\_fn属性:
         *  在Tensor上执行更复杂的操作:
         *  关于方法.requires\_grad\_(): 该方法可以原地改变Tensor的属性.requires\_grad的值. 如果没有主动设定默认为False.
     *  关于梯度Gradients
     *   *  在Pytorch中, 反向传播是依靠.backward()实现的.
         *  关于自动求导的属性设置: 可以通过设置.requires\_grad=True来执行自动求导, 也可以通过代码块的限制来停止自动求导.
         *  可以通过.detach()获得一个新的Tensor, 拥有相同的内容但不需要自动求导.
     *  小节总结

## 1.1 认识Pytorch ##

### 学习目标 ###

*  了解什么是Pytorch.
 *  掌握Pytorch的基本元素操作.
 *  掌握Pytorch的基本运算操作.

### 什么是Pytorch ###

> Pytorch是一个基于Numpy的科学计算包, 向它的使用者提供了两大功能.
> 
>  *  作为Numpy的替代者, 向用户提供使用GPU强大功能的能力.
>  *  做为一款深度学习的平台, 向用户提供最大的灵活性和速度.

### Pytorch的基本元素操作 ###

*  Tensors张量: 张量的概念类似于Numpy中的ndarray数据结构, 最大的区别在于Tensor可以利用GPU的加速功能.
 *  我们使用Pytorch的时候, 常规步骤是先将torch引用进来, 如下所示:

from __future__ import print_function
    import torch

#### 创建矩阵的操作 ####

##### 创建一个没有初始化的矩阵: #####

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

– 输出结果:

tensor([[2.4835e+27, 2.5428e+30, 1.0877e-19],
            [1.5163e+23, 2.2012e+12, 3.7899e+22],
            [5.2480e+05, 1.0175e+31, 9.7056e+24],
            [1.6283e+32, 3.7913e+22, 3.9653e+28],
            [1.0876e-19, 6.2027e+26, 2.3685e+21]])

##### 创建一个有初始化的矩阵: #####

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

– 输出结果:

tensor([[0.1368, 0.8070, 0.4567],
            [0.4369, 0.8278, 0.5552],
            [0.6848, 0.4473, 0.1031],
            [0.5308, 0.9194, 0.2761],
            [0.0484, 0.9941, 0.2227]])

> – 对比有无初始化的矩阵: 当声明一个未初始化的矩阵时, 它本身不包含任何确切的值. 当创建一个未初始化的矩阵时, 分配给矩阵的内存中有什么数值就赋值给了这个矩阵, 本质上是毫无意义的数据.

##### 创建一个全零矩阵并可指定数据元素的类型为long #####

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

– 输出结果:

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

##### 直接通过数据创建张量 #####

x = torch.tensor([2.5, 3.5])
    print(x)

– 输出结果:

tensor([2.5000, 3.3000])

##### 通过已有的一个张量创建相同尺寸的新张量 #####

# 利用news_methods方法得到一个张量
    x = x.new_ones(5, 3, dtype=torch.double)
    print(x)
    
    # 利用randn_like方法得到相同张量尺寸的一个新张量, 并且采用随机初始化来对其赋值
    y = torch.randn_like(x, dtype=torch.float)
    print(y)

– 输出结果:

tensor([[1., 1., 1.],
            [1., 1., 1.],
            [1., 1., 1.],
            [1., 1., 1.],
            [1., 1., 1.]], dtype=torch.float64)
    
    tensor([[-0.1497, -0.5832, -0.3805],
            [ 0.9001,  2.0637,  1.3299],
            [-0.8813, -0.6579, -0.9135],
            [-0.1374,  0.1000, -0.9343],
            [-1.1278, -0.9140, -1.5910]])

##### 得到张量的尺寸: #####

print(x.size())

– 输出结果:

torch.Size([5, 3])

>  *  注意:  
>     torch.Size函数本质上返回的是一个tuple, 因此它支持一切元组的操作.

### Pytorch的基本运算操作 ###

#### 加法操作: ####

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

输出结果:

tensor([[ 1.6978, -1.6979,  0.3093],
            [ 0.4953,  0.3954,  0.0595],
            [-0.9540,  0.3353,  0.1251],
            [ 0.6883,  0.9775,  1.1764],
            [ 2.6784,  0.1209,  1.5542]])

#### 第二种加法方式:torch.add(x, y) ####

print(torch.add(x, y))

输出结果:

#### 第三种加法方式:torch.add(x, y, out=result) ####

# 提前设定一个空的张量
    result = torch.empty(5, 3)
    # 将空的张量作为加法的结果存储张量
    torch.add(x, y, out=result)
    print(result)

输出结果:

#### 第四种加法方式: in-place (原地置换) ####

y.add_(x) # 执行的功能是y = y+x
    print(y)

输出结果:

> 注意:  
> 所有in-place的操作函数都有一个下划线的后缀. 比如x.copy\_(y), x.add\_(y), 都会\*\*直接改变x的值.\*\*

用类似于Numpy的方式对张量进行操作:

print(x[:, 1])

> 解释：  
> `python print(x[:, 1]) # 冒号代表取所有的行 ",1"代表取第一列`  
> `print(x[:,:3]) # 打印所有行、 0-2列`  
> `print(x[:,:2]) # 打印所有行、 0-1列`

输出结果:

tensor([-2.0902, -0.4489, -0.1441,  0.8035, -0.8341])

#### 改变张量的形状: torch.view() ####

x = torch.randn(4, 4)
    # tensor.view()操作需要保证数据元素的总数量不变
    y = x.view(16)
    # -1代表自动匹配个数
    z = x.view(-1, 8)
    print(x.size(), y.size(), z.size())

输出结果:

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

> 详细注释版代码：
> 
>     # 改变张量的形状: torch.view() x = torch.randn(4, 4)
>     # tensor.view()操作需要保证数据元素的总数量不变 
>     y = x.view(16) # 只有一行的张量
>     # -1代表自动匹配
>     # （-1,8） ：第一个数代表行，第二个数代表列
>     # （-1,8） 代表 行 自动匹配（-1），列有8行 所以行自动匹配出来有两行（4*4/8)
>     # 需要保证数据元素的总数量不变 且要能“整除” 
>     z = x.view(-1, 8) 
>     y2 = x.view(16,-1) # 代表 列 自动匹配（-1），行有16行 所以列自动匹配出来有1列（4*4/16) 
>     print(y) 
>     print(y2) 
>     print(x.size(),y.size(), z.size(),y2.size()) ```

> **输出结果**：
> 
>     tensor([-1.2186, -0.7919,  0.0411, -0.4893, -0.4517, 0.0588,  0.5275, -0.5617, 2.1183,  1.3618, -0.3788,  0.9497, -0.4051,  0.2710,  0.9537, -1.6315]) 
>     tensor([[-1.2186],
>             [-0.7919],
>             [ 0.0411],
>             [-0.4893],
>             [-0.4517],
>             [ 0.0588],
>             [ 0.5275],
>             [-0.5617],
>             [ 2.1183],
>             [ 1.3618],
>             [-0.3788],
>             [ 0.9497],
>             [-0.4051],
>             [ 0.2710],
>             [ 0.9537],
>             [-1.6315]]) 
>             torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8]) torch.Size([16, 1]) ```

#### 如果张量中只有一个元素, 可以用.item()将值取出, 作为一个python number ####

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

输出结果:

tensor([-0.3531])
    -0.3530771732330322

### 关于Torch Tensor和Numpy array之间的相互转换 ###

#### Torch Tensor和Numpy array共享底层的内存空间, 因此**改变其中一个的值, 另一个也会随之被改变.** ####

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

> 输出结果:
> 
> `python tensor([1., 1., 1., 1., 1.])`

#### 将Torch Tensor转换为Numpy array ####

b = a.numpy()
    print(b)

> 输出结果:  
> `[1. 1. 1. 1. 1.]`

#### 对其中一个进行加法操作, **另一个也随之被改变:** ####

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

> 输出结果:
> 
>     tensor([2., 2., 2., 2., 2.]) 
>      [2. 2. 2. 2. 2.]

#### 将Numpy array转换为Torch Tensor: ####

import numpy as np
    a = np.ones(5)
    b = torch.from_numpy(a)
    np.add(a, 1, out=a)
    print(a)
    print(b)

> 输出结果:
> 
>     [2. 2. 2. 2. 2.]
>      tensor([2., 2., 2., 2., 2.],
>     dtype=torch.float64)

> **注意**:  
> 所有在CPU上的Tensors, 除了CharTensor, 都可以转换为Numpy array并可以反向转换.

#### 关于Cuda Tensor: Tensors可以**用.to()方法来将其移动到任意设备上.** ####

# 如果服务器上已经安装了GPU和CUDA
    if torch.cuda.is_available():
        # 定义一个设备对象, 这里指定成CUDA, 即使用GPU
        device = torch.device("cuda")
        # 直接在GPU上创建一个Tensor
        y = torch.ones_like(x, device=device)
        # 将在CPU上面的x张量移动到GPU上面
        x = x.to(device)
        # x和y都在GPU上面, 才能支持加法运算
        z = x + y
        # 此处的张量z在GPU上面
        print(z)
        # 也可以将z转移到CPU上面, 并同时指定张量元素的数据类型
        print(z.to("cpu", torch.double))

> 输出结果:
> 
>     tensor([0.6469], device='cuda:0') tensor([0.6469],
>     dtype=torch.float64)

### 小节总结 ###

*  学习了什么是Pytorch.  
    – Pytorch是一个基于Numpy的科学计算包, 作为Numpy的替代者, 向用户提供使用GPU强大功能的能力.  
    – 做为一款深度学习的平台, 向用户提供最大的灵活性和速度.
 *  学习了Pytorch的基本元素操作.  
    – 矩阵的初始化:  
    \---- torch.empty()  
    \---- torch.rand(n, m)  
    \---- torch.zeros(n, m, dtype=torch.long)  
    – 其他若干操作:  
    \---- x.new\_ones(n, m, dtype=torch.double)  
    \---- torch.randn\_like(x, dtype=torch.float)  
    \---- x.size()
 *  学习了Pytorch的基本运算操作.  
    – 加法操作:  
    \---- x + y  
    \---- torch.add(x, y)  
    \---- torch.add(x, y, out=result)  
    \---- y.add\_(x)  
    – 其他若干操作:  
    \---- x.view()  
    \---- x.item()
 *  学习了Torch Tensor和Numpy Array之间的相互转换.  
    – 将Torch Tensor转换为Numpy Array:  
    \---- b = a.numpy()  
    – 将Numpy Array转换为Torch Tensor:  
    \---- b = torch.from\_numpy(a)  
    – 注意: 所有才CPU上的Tensor, 除了CharTensor, 都可以转换为Numpy Array并可以反向转换.
 *  学习了任意的Tensors可以用.to()方法来将其移动到任意设备上.  
    – x = x.to(device)

## 1.2 Pytorch中的autograd ##

### 学习目标 ###

*  掌握自动求导中的Tensor概念和操作.
 *  掌握自动求导中的梯度Gradients概念和操作.
 *  在整个Pytorch框架中, 所有的神经网络本质上都是一个autograd package(自动求导工具包)  
    – autograd package提供了一个对Tensors上所有的操作进行自动微分的功能.

### 关于torch.Tensor ###

*  torch.Tensor是整个package中的核心类, 如果将属性.requires\_grad设置为True, 它将追踪在这个类上定义的所有操作. 当代码要进行反向传播的时候, 直接调用.backward()就可以自动计算所有的梯度. 在这个Tensor上的所有梯度将被累加进属性.grad中.
 *  如果想终止一个Tensor在计算图中的追踪回溯, 只需要执行.detach()就可以将该Tensor从计算图中撤下, 在未来的回溯计算中也不会再计算该Tensor.
 *  除了.detach(), 如果想终止对计算图的回溯, 也就是不再进行方向传播求导数的过程, 也可以采用代码块的方式with torch.no\_grad():, 这种方式非常适用于对模型进行预测的时候, 因为预测阶段不再需要对梯度进行计算.

### 关于torch.Function： ###

*  Function类是和Tensor类同等重要的一个核心类, 它和Tensor共同构建了一个完整的类, 每一个Tensor拥有一个.grad\_fn属性, 代表引用了哪个具体的Function创建了该Tensor.
 *  如果某个张量Tensor是用户自定义的, 则其对应的grad\_fn is None.

### 关于Tensor的操作 ###

x1 = torch.ones(3, 3)
    print(x1)
    
    x = torch.ones(2, 2, requires_grad=True)
    print(x)

*  输出结果:

tensor([[1., 1., 1.],
            [1., 1., 1.],
            [1., 1., 1.]])
    
    tensor([[1., 1.],
            [1., 1.]], requires_grad=True)

#### 在具有requires\_grad=True的Tensor上执行一个加法操作 ####

y = x + 2
    print(y)

*  输出结果:

tensor([[3., 3.],
            [3., 3.]], grad_fn=<AddBackward0>)

#### 打印Tensor的grad\_fn属性: ####

print(x.grad_fn)
    print(y.grad_fn)

*  输出结果:

None
    <AddBackward0 object at 0x10db11208>

#### 在Tensor上执行更复杂的操作: ####

z = y * y * 3
    out = z.mean()
    print(z, out)

*  输出结果:

tensor([[27., 27.],
            [27., 27.]], grad_fn=<MulBackward0>) tensor(27., grad_fn=<MeanBackward0>)

#### 关于方法.requires\_grad\_(): 该方法可以原地改变Tensor的属性.requires\_grad的值. 如果没有主动设定默认为False. ####

a = torch.randn(2, 2)
    a = ((a * 3) / (a - 1))
    print(a.requires_grad)
    a.requires_grad_(True)
    print(a.requires_grad)
    b = (a * a).sum()
    print(b.grad_fn)

*  输出结果:

False
    True
    <SumBackward0 object at 0x7f191afd6be0>

### 关于梯度Gradients ###

#### 在Pytorch中, 反向传播是依靠.backward()实现的. ####

out.backward()
    print(x.grad)

*  输出结果:

tensor([[4.5000, 4.5000],
            [4.5000, 4.5000]])

#### 关于自动求导的属性设置: 可以通过设置.requires\_grad=True来执行自动求导, 也可以通过代码块的限制来停止自动求导. ####

print(x.requires_grad)
    print((x ** 2).requires_grad)
    
    with torch.no_grad():
        print((x ** 2).requires_grad)

*  输出结果:

True
    True
    False

#### 可以通过.detach()获得一个新的Tensor, 拥有相同的内容但不需要自动求导. ####

print(x.requires_grad)
    y = x.detach()
    print(y.requires_grad)
    print(x.eq(y).all())

*  输出结果:

True
    False
    tensor(True)

### 小节总结 ###

*  学习了torch.Tensor类的相关概念.  
    – torch.Tensor是整个package中的核心类, 如果将属性.requires\_grad设置为True, 它将追踪在这个类上定义的所有操作. 当代码要进行反向传播的时候, 直接调用.backward()就可以自动计算所有的梯度. 在这个Tensor上的所有梯度将被累加进属性.grad中.  
    – 执行.detach()命令, 可以将该Tensor从计算图中撤下, 在未来的回溯计算中不会再计算该Tensor.  
    – 采用代码块的方式也可以终止对计算图的回溯:  
    \---- with torch.no\_grad():
 *  学习了关于Tensor的若干操作:  
    – torch.ones(n, n, requires\_grad=True)  
    – x.grad\_fn  
    – a.requires\_grad\_(True)
 *  学习了关于Gradients的属性:  
    – x.grad  
    – 可以通过.detach()获得一个新的Tensor, 拥有相同的内容但不需要自动求导.