【Pytorch神经网络理论篇】 01 Pytorch快速上手(一)概述+张量

简介: Pytorch是基于Torch之上的python包,在底层主要通过张量的形式进行计算,Pytorch中的张量表示为同一数据类型的多位橘子。

同学你好!本文章于2021年末编写,获得广泛的好评!


故在2022年末对本系列进行填充与更新,欢迎大家订阅最新的专栏,获取基于Pytorch1.10版本的理论代码(2023版)实现,


Pytorch深度学习·理论篇(2023版)目录地址为:


CSDN独家 | 全网首发 | Pytorch深度学习·理论篇(2023版)目录


本专栏将通过系统的深度学习实例,从可解释性的角度对深度学习的原理进行讲解与分析,通过将深度学习知识与Pytorch的高效结合,帮助各位新入门的读者理解深度学习各个模板之间的关系,这些均是在Pytorch上实现的,可以有效的结合当前各位研究生的研究方向,设计人工智能的各个领域,是经过一年时间打磨的精品专栏!

https://v9999.blog.csdn.net/article/details/127587345


欢迎大家订阅(2023版)理论篇

以下为2021版原文~~~~


23d4665fa5824275aec1f76fb4a2fafb.png


1 概述


Pytorch是基于Torch之上的python包,在底层主要通过张量的形式进行计算,Pytorch中的张量表示为同一数据类型的多位橘子。


1.1 基础数据类型的概述


1、标量:即具体的数字


2、向量:多个标量组成


3、矩阵:多个向量组成


4、张量:多个矩阵组成的量


2 张量


2.1 张量在编程语言上的定义方法


2.1.1 torch.tensor()


import torch # 引入torch库
import numpy as np # 引入Numpy
"""
    torch.tensor():仅有一个参数,其功能是将转入的对象转化为张量
"""
a = torch.tensor(5) #定义一个张量 5
print(a) #输出 tensor(5)
anp = np.asarray([4]) #定义一个Numpy数组
a = torch.tensor(anp) #将Numpy数组转化成张量
print(a)# 输出 tensor([4], dtype=torch.int32)


结果:


9bdf4a00139c49c68542954732d21bd0.png


2.1.2 torch.Tensor()


import torch # 引入torch库
import numpy as np # 引入Numpy
"""
    torch.Tensor():
                1.当传入数字时,创建一个指定形状的张量,生成的张量是未初始化的。
                2.传入一个列表时,生成与该列表内容相同的张量
"""
a = torch.Tensor(2) #定义指定形状未初始化的张量
print(a) #输出 tensor([-1.5370e+18,  1.0872e-18])
b = torch.Tensor(1,2) #定义指定形状的未初始化的张量
print(b) #输出 tensor([[-1.5312e+18,  2.7181e-19]])
e = torch.rand(2,1) #定义指定形状的已初始化的张量
print(e) #随机生成0至1区间内的张量
c = torch.Tensor([2]) #定义指定内容的张量
print(c) #输出 tensor([2.])
d = torch.Tensor([1,2]) #定义一个指定内容的张量
print(d) #输出 tensor([1., 2.])


结果:


19f0e975d9b640b3a2aaa5c5867416a4.png


2.1.3 张量的类型判断与元素个数计算


import torch # 引入torch库
a = torch.Tensor(2) # 定义一个指定形状的张量
print(torch.is_tensor(a)) # 判断a是否为张量
print(torch.numel(a)) # 获得a中的元素个数


结果:


82d5507e7d3749c4b4ca0fe01914de5e.png


2.1.4 张量的默认类型


在torch中CPU和GPU张量分别有8种数据类型


20201123195432170.png


在torch中默认的数据类型是32位浮点型(torch.FloatTensor),可以通过torch.set_default_tensor_type()函数设置默认的数据类型,但是该函数只支持设置浮点型数据类型,代码如下:


import torch
torch.tensor([1.2,3.4]).dtype #获取张量的数据类型,其中torch.tensor()函数生成一个张量
#默认为 torch.float32
torch.set_default_tensor_type(torch.DoubleTensor) #设置张量的默认数据类型
torch.tensor([1.2,3.4]).dtype
#此时变成 torch.float64


2.1.5 张量的type()方法==》将张量转化为基础数据类型


在torch中还有其他类型的数据,将浮点型转化为其他数据类型的方法如下:


a = torch.tensor([1.2,3.4])
print("a.dtype:",a.dtype)
print("a.long()方法",a.long().dtype)
print("a.int()方法",a.int().dtype)
print("a.float()方法",a.float().dtype)
#
#a.dtype:torch.float64
#a.long()方法:torch.int64
#a.int()方法:torch.int32
#a.float()方法:torch.float32


2.1.6 dtype和type()的区别


torch_tensor.dtype #返回类似: torch.float64,是torch定义的数据类型。
torch_tensor.type() #返回类似:torch.cuda.DoubleTensor ,是字符串,且可以看到是CPU张量还是GPU张量。
torch.float64 对应 torch.DoubleTensor
torch.float32 对应 torch.FloatTensor


2.1.7 默认类型在其他函数中的应用


torch.ones():生成指定形状、元素值为1的张量数组


torch.zeros():生成指定形状、元素值为0的张量数组


torch.ones_like():生成与目标张量形状相同、元素值为1的张量数组


torch.zeros_like():生成与目标张量形状相同、元素值为1的张量数组


torch.randn():生成指定形状的随机数张量数组


torch.eye():生成对角矩阵的张量


torch.full():生成元素值均为1的矩阵的张量


2.2 张量与Numpy的关系


在pytorch中张量可以是一个标量,一个向量,一个矩阵,甚至是更高维度的数组,所以pytorch中的rtensor和numpy中的数

组(ndarray)非常相似。


在使用中也经常将pytorch中的张量和numpy库中的数组相互转化,在深度网络中,基于pytorch的相关计算都是在tensor的基础上完成的。


2.2.1 类型转换


import torch
import numpy as np
a = torch.FloatTensor([4]) # 定义一个张量
print(a.numpy()) # 转化成numpy,并输出
anp = np.asarray([4]) # 定义一个numpy类型对象
print(torch.from_numpy(anp)) # 法1 转化为tensor,并输出
print(torch.tensor(anp))# 法2 转化为tensor,并输出


结果:


98cd4b73d10045a7a566c25bbda127d5.png


2.2.2 张量与numpy类型变量的形状


import torch
import numpy as np
x = torch.rand(2,1)
print(x.shape,x.size())
anp = np.asarray([4,2])
print(anp.shape,anp.size)


结果:8ab59cdef23049d8bd6b0aeb2a925062.png


2.2.3 切片操作


import torch
import numpy as np
x = torch.rand(2,1)
print(x[:])
anp = np.asarray([4,2])
print(anp[:])


结果:678d0fca25f04cae83d89637f9328db1.png


2.2.3 陷阱


Numpy转化为tensor张量时,若改变tensor的数值,不会影响到原numpy的数值,因为tensor会重新开辟区域。若改变numpy的数值,会影响到tensor的数值,因为numpy不会重新开辟区域。

目录
相关文章
|
2月前
|
存储 并行计算 PyTorch
探索PyTorch:张量数值计算
探索PyTorch:张量数值计算
|
2月前
|
机器学习/深度学习 并行计算 PyTorch
探索PyTorch:张量的创建和数值计算
探索PyTorch:张量的创建和数值计算
|
2月前
|
机器学习/深度学习 PyTorch 算法框架/工具
探索PyTorch:张量的类型转换,拼接操作,索引操作,形状操作
探索PyTorch:张量的类型转换,拼接操作,索引操作,形状操作
|
2月前
|
PyTorch 算法框架/工具 Python
Pytorch学习笔记(十):Torch对张量的计算、Numpy对数组的计算、它们之间的转换
这篇文章是关于PyTorch张量和Numpy数组的计算方法及其相互转换的详细学习笔记。
38 0
|
3月前
|
机器学习/深度学习
小土堆-pytorch-神经网络-损失函数与反向传播_笔记
在使用损失函数时,关键在于匹配输入和输出形状。例如,在L1Loss中,输入形状中的N代表批量大小。以下是具体示例:对于相同形状的输入和目标张量,L1Loss默认计算差值并求平均;此外,均方误差(MSE)也是常用损失函数。实战中,损失函数用于计算模型输出与真实标签间的差距,并通过反向传播更新模型参数。
|
2月前
|
机器学习/深度学习 存储 自然语言处理
深度学习入门:循环神经网络------RNN概述,词嵌入层,循环网络层及案例实践!(万字详解!)
深度学习入门:循环神经网络------RNN概述,词嵌入层,循环网络层及案例实践!(万字详解!)
|
2月前
|
机器学习/深度学习 PyTorch API
深度学习入门:卷积神经网络 | CNN概述,图像基础知识,卷积层,池化层(超详解!!!)
深度学习入门:卷积神经网络 | CNN概述,图像基础知识,卷积层,池化层(超详解!!!)
|
3月前
|
Linux 调度 Docker
容器网络概述
【9月更文挑战第9天】容器技术利用如命名空间(namespace)和控制组(cgroup)等技术创建隔离环境,实现资源限制与独立运行。命名空间避免命名冲突,cgroup则能对CPU、内存等资源进行限制。容器状态可通过镜像保存并标准化,确保在任何环境中都能复现相同状态。
|
4月前
|
存储 运维 监控
|
4月前
|
机器学习/深度学习 PyTorch 测试技术
深度学习入门:使用 PyTorch 构建和训练你的第一个神经网络
【8月更文第29天】深度学习是机器学习的一个分支,它利用多层非线性处理单元(即神经网络)来解决复杂的模式识别问题。PyTorch 是一个强大的深度学习框架,它提供了灵活的 API 和动态计算图,非常适合初学者和研究者使用。
55 0