【深度学习】深度学习框架PyTorch的简单入门了解（未完待更）

￡神魔★判官ぃ 2024-04-19 10:04 61阅读 0赞

### 文章目录 ###

*  说明
 *  前言
 *  一、博主有话讲
 *  二、Tensor
 *   *  2.1 构建矩阵
     *  2.2 均匀分布随机初始化二维数组
     *  2.3 矩阵加法
 *  三、Autograd：自动微分
 *  四、小结

# 说明 #

博主使用的是：

> 1、windows10  
> 2、python3.6  
> 3、pycharm

# 前言 #

本博文主要介绍一下PyTorch框架中Tensor的一些基本的用法，关于PyTorch的安装可参考[此篇博文][Link 1]，此篇博文就不多介绍关于PyTorch的安装了。

--------------------

# 一、博主有话讲 #

PyTorch是一款以Python语言主导开发的轻量级深度学习框架。另外关于深度学习的一些常见的框架，可以参考博主此篇大体介绍。PyTorch的简洁设计使得它易于入门，在此不深入介绍、了解PyTorch，本文先介绍一些PyTorch的基础知识，使读者能够对有一个大致的了解，并能够用 PyTorch搭建一个简单的神经网络。  
       Tensor是 PyTorch中重要的数据结构，可认为是一个高维数组。它可以是一个数（标量）、一维数组（向量）、二维数组（矩阵）或更高维的数组。Tensor和 numpy的ndarrays类似，但 Tensor可以使用GPU加速。 Tensor的使用和 numpy及MATLAB的接口十分相似，下面通过几个示例了解 Tensor的基本使用方法。

# 二、Tensor #

## 2.1 构建矩阵 ##

import torch as t
    x = t.Tensor()# 构建一个5*3的矩阵，只是分配了空间，并未初始化
    print(x)

![在这里插入图片描述][20190917004629901.png]

## 2.2 均匀分布随机初始化二维数组 ##

import torch as t
    y = t.rand(5,3) # 使用[0,1]均匀分布随机初始化二维数组
    print(y)
    print(y.size()) # 查看y的大小
    print(y.size()[0])# 查看列的个数，y.size()[0] = y.size()[1]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0ppYWppa2FuZ19qams_size_16_color_FFFFFF_t_70]

## 2.3 矩阵加法 ##

import torch as t
    x = t.rand(5,3)
    y = t.rand(5,3) # 使用[0,1]均匀分布随机初始化二维数组
    print(y)
    print(y.size()) # 查看y的大小
    print(y.size()[0])# 查看列的个数，y.size()[0] = y.size()[1]
    
    # 加法第一种表示
    #print(x+y)
    # 加法第二种表示
    # print(t.add(x,y)) #
    # 加法的第三种写法
    result = t.Tensor(5,3) # 指定加法结果的输出目标为result
    ret = t.add(x,y,out=result) # 输出到结果result
    print(ret)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0ppYWppa2FuZ19qams_size_16_color_FFFFFF_t_70 1]  
加法说明：

import torch as t
    x = t.rand(5,3)
    y = t.rand(5,3) # 使用[0,1]均匀分布随机初始化二维数组
    
    print('最初y：',y)
    #print(y.size()) # 查看y的大小
    #print(y.size()[0])# 查看列的个数，y.size()[0] = y.size()[1]
    print('第一种加法，y的结果')
    y.add(x) # 普通加法，不给变y的值
    print(y)
    
    print('第二种加法，y的结果')
    y.add_(x) # inplace加法，y变了
    print(y)

注意：函数名后面带下画线的函数会修改 Tensor本身。例如，x.add\_（y）和x.t\_()会改变x，但x.add(y)和x.t()会返回一个新的 Tensor，而x不变。关于Tensor的一些常用属性还有很多，这里就不一一列举了，具体用到那个一搜索基本都能get到的，  
接下来就简单说明一下Tensor和Numpy的一些区别。

> Tensor和 Numpy数组之间具有很高的相似性，彼此之间的互操作也非常简单高效。需要注意的是， Numpy和 Tensor共享内存。由于 Numpy历史悠久，支持丰富的操作，所以当遇到Tensor不支持的操作时，可先转成 Numpy数组，处理后再转回 tensor，其转换开销很小。

--------------------

# 三、Autograd：自动微分 #

深度学习的算法本质上是通过反向传播求导数，PyTorch的 Autograd模块实现了此功能。在 Tensor上的所有操作， Autograd都能为它们自动提供微分，避免手动计算导数的复杂过程。  
       autograd.Variable是Autograd中的核心类，它简单封装了Tensor，并支持几乎所有 Tensor的操作。 Tensor在被封装为Variable之后，可以调用它的backward实现反向传播，自动计算所有梯度。 Variable的数据结构如下图所示：![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0ppYWppa2FuZ19qams_size_16_color_FFFFFF_t_70 2]  
Variable主要包含三个属性。

> 1、data：保存 Variable所包含的Tensor。  
> 2、grad：保存data对应的梯度，grad也是 Variable，而不是 Tensor，它和data的形状一样。  
> 3、grad\_fn：指向一个 Function对象，这个 Function用来反向传播计算输入的梯度。

补充一点有关神经网络的知识：

> Autograd实现了反向传播功能，但是直接用来写深度学习的代码在很多情况下还是稍显复杂， torch.nn是专门为神经网络设计的模块化接口。nn构建于Autograd之上，可用来定义和运行神经网络。nn.Module是nn中最重要的类，可以把它看作一个网络的封装，包含网络各层定义及forward方法，调用 forward(input)方法，可返回前向传播的结果。

# 四、小结 #

1、本篇博文旨在理论上了解Pytorch框架中的一些基本概念性知识。  
2、未完待续

[Link 1]: https://blog.csdn.net/Jiajikang_jjk/article/details/100686984
[20190917004629901.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/da4896f208034fdd8be7b18f0a2f72f9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0ppYWppa2FuZ19qams_size_16_color_FFFFFF_t_70]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/3527ae635708436db955c3c4a6efb0a0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0ppYWppa2FuZ19qams_size_16_color_FFFFFF_t_70 1]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/0dc9541f949748b98aeb226326289098.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0ppYWppa2FuZ19qams_size_16_color_FFFFFF_t_70 2]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/b5e6f2c8f70346979cf553af9fe74da7.png