Deep Learning with Pytorch- A 60 Minute Blitz

左手的ㄟ右手 2024-05-24 03:49 30阅读 0赞

## Deep Learning with Pytorch: A 60 Minute Blitz ##

###### Blitz ：以闪电战空袭 ######

#### 这篇文档的目标 ####

*  在一个较高的水平理解 Pytorch 的 Tensor 库和神经网络
 *  训练一个分类图像的小规模神经网络分类图像

##### 这篇文章假设你基本熟悉 numpy #####

### 什么是Pytorch ###

Pytorch是基于科学计算包的Python，目标两类人群  
1. 为利用 GPU 的能力取代 NumPy  
2. 提供最大灵活性和速度的深度学习研究平台

#### 开始 ####

##### Tensors #####

Tensors类似于Numpy的narrays，只是Tensors可以使用GPU加速计算  
`from __future__ import print_function`  
`import torch`

构建一个 5\*3 的未初始化矩阵  
`x = torch.Tensor(5, 3)`

构建一个随机初始化的矩阵  
`x = torch.rand(5, 3)`

获得矩阵的尺寸  
`print(x.size())`  
`Out: torch.Size([5, 3]) ; 输出的结果`

##### 操作 #####

Pytorch对操作有很多句法。在下面的例子我们会看到加法的操作  
`y = torch.rand(5, 3)`  
`print(x + y)`

或者, 加法语法②  
`torch.add(x, y)`

加法: 提供一个输出tensor作为参数  
`result = torch.Tensor(5, 3)`  
`torch.add(x, y, out=result)`  
`print(result)`

就地 ( in-place )加法  
`y.add_(x)`  
**Note : 任何使一个Tensor就地发生变化的操作都要在后面加上一个’\_’**

同样可以使用像 NumPy 一样的索引表示  
`print(x[:, 1])`

修改大小 :如果你要resize或者reshape tensor,可以使用torch.view  
`x = torch.randn(4, 4)`  
`y = x.view(16)`  
`z = x.view(-1, 8); -1的值会从另一维度推出`  
`print(x.size(), y.size(), z.size())`  
Out: torch.Size(\[4, 4\]), torch.Size(\[16\]), torch.Size(\[2, 8\])

还有 100+ 中操作, 看[**这里**][Link 1]

#### Numpy Bridge ####

将一个 Torch Tensor 转换成 NumPy array 或者反过来是一件很轻松的事情

Torch Tensor 和 NumPy array 会共享隐藏的内存地址,因此改变一个两者都将改变

##### 将一个 Torch Tensor 转换成 NumPy array #####

`a = torch.ones(5);`  
`b = a.numpy()`

看一下 NumPy array 是怎么样改变数值的  
`a.add_(1)`

##### 将一个 NumPy array 转换成 Torch Tensor #####

看一下怎样自动将 NumPy array 转换成 Torch Tensor  
`a = np.ones(5)`  
`b = torch.from_numpy(a)`  
`np.add(a, 1, out=a)`

#### CUDA Tensors ####

Tensors 可以使用**.cuda**方法转移至GPU运算

### 附录: 还有那100+中操作呢…. ###

#### Tensors ####

`torch.is_tensor(obj)`  
返回 True 如果 obj 是一个 Pytorch tensor  
`torch.is_storage(obj)`  
返回 True 如果 obj 是 pytorch 存储对象  
`torch.set_default_tensor_type()`  
`torch.numel(input)`  
返回输入Tensor中元素总数  
`torch.set_printoptions(precesion=None, threshold=None, edgeitems=None, linewidth=None, profile=None)`

#### Creation Ops ####

`torch.eye(n, m=None, out=None)`  
返回2-D除对角线为1其他全为0的矩阵  
`torch.from_numpy(ndarray)`  
从numpy.ndarray创造一个Tensor  
`torch.linspace(start, end, steps=100, out=None)`  
返回一维Tensor,steps均分从start到end  
`torch.logspace(start, end, steps=100, out=None)`  
返回一维tensor,steps均分从10^start到10^end  
`torch.ones(*size,out=None)`  
返回所有元素都是标量1的tensor, 由size决定shape  
`torch.ones_like(input, out=None)`  
返回和input的size一样的所有元素都是1的tensor  
`torch.arange(start=0, end, step=1, out=None)`  
返回一维tensor,尺寸为(end-start)/step, \[start, end), 每两个相邻元素之间差step  
`torch.range(start, end, step=1, out=None)`  
就是比arange多了一个end元素  
**Warning : 该函数由于arange已被弃用**  
`torch.zeros(*size, out=None)`  
返回所有元素都是0的Tensor,由size决定shape  
`torch.zeros_like(input, out=None)`  
参照上面 ones\_like

#### 索引, 切片, 联合, 旋转操作 ####

`torch.cat(seq, dim=0, out=None)`  
cat for concatenate (成串)连结  
将给定的Tensor序列在给定的维度上连结, 除了在cat维, 所有Tensor必须size相同  
`x = torch.randn(2, 3)`  
`y = torch.Tensoe(2, 3)`  
`torch.cat((x, y), dim=1)`

`torch.chunk(tensor, chunks, dim=0)`  
将一个Tensor分解成给定数目的块

### To be continued… ###

`torch.gather(input, dim, index, out=None)`  
  
` `  
  
` `  
  
` `

[Link 1]: http://pytorch.org/docs/stable/torch.html