1.pytorch基础知识
1.0 前言
主要记录一些初学pytorch的常用操作。
# 表示注释 ##表示输出内容
所用环境为Jupyter,pytorch。python版本为3.8。
1.1 tensor的属性
import torch
a=torch.tensor([1,2,3],dtype=int)
# 打印
print(a)
## tensor([1, 2, 3])
# 查看数据类型
a.dtype
## torch.int64
b=torch.tensor([4,5,6],dtype=float)
print(b)
## tensor([4., 5., 6.], dtype=torch.float64)
# 查看数据的维度
tensor.ndim
## 2
# 查看数据的形状1
tensor.shape
## torch.Size([2, 3])
# 查看数据形状2
tensor.size()
## torch.Size([2, 3])1.2 数据的生成
import torch
# 生成一个两行三列全都为1的矩阵
torch.ones(2,3)
##tensor([[0., 0., 0.],
## [0., 0., 0.],
## [0., 0., 0.]])
# 生成一个三行四列的随机数，将光标移到括号内按shift+Table可以查看生成的详细规则
torch.rand(3,4)
##tensor([[2.9515e-01, 7.3428e-01, 8.9959e-01, 6.3524e-01],
## [5.3016e-01, 3.9627e-01, 8.7005e-01, 5.7334e-04],
## [2.3536e-01, 4.9142e-01, 3.9047e-01, 9.7247e-01]])
# 生成随机整数，前两个参数表示范围，最后一个括号表示生成形状，下述即为生成0-10，两行三列的随机整数
torch.randint(0,10,(2,3))
##tensor([[6, 9, 7],
## [5, 6, 6]])
# 生成一个三行四列满足标准正态分布的随机数
torch.randn(3,4)
##tensor([[-0.1052, 0.2741, -0.5110, -0.0900],
## [ 0.9309, 0.5888, -0.4381, 1.0873],
## [ 0.5446, -0.5408, -0.9702, 1.8956]])
# 先创建一个a
a=torch.tensor([[1,2],[3,4],[5,6]])
a
##tensor([[1, 2],
## [3, 4],
## [5, 6]])
# 生成一个随机的，但是和上述a相似的数据
b=torch.rand_like(a,dtype=float)
b
##tensor([[0.2532, 0.5850],
## [0.5458, 0.8853],
## [0.6719, 0.1596]], dtype=torch.float64)
print(b.shape)
## torch.Size([3, 2])
# view的作用是修改数据的维度,也可以使用reshape
c=b.view(6)
c
##tensor([0.2532, 0.5850, 0.5458, 0.8853, 0.6719, 0.1596], ##dtype=torch.float64)
c.shape
## torch.Size([6])
d=c.view(2,3)
d
##tensor([[0.2532, 0.5850, 0.5458],
## [0.8853, 0.6719, 0.1596]], dtype=torch.float64)
d=d.reshape(6)
d
##tensor([0.2532, 0.5850, 0.5458, 0.8853, 0.6719, 0.1596], ##dtype=torch.float64)
#获取对应元素
d[1]
## tensor(0.5850, dtype=torch.float64)
d[1].item()
## 0.5849620756308062
# 导入numpy
import numpy as np
# 将上述的d转化为numpy中的数组
e=np.array(d)
e
##array([0.25321075, 0.58496208, 0.54582996, 0.88534755, 0.67190851,
## 0.15958087])
array=np.array([1,2,3])
array
## array([1, 2, 3])
# 将array转换为tensor
tensor=torch.tensor(array)
tensor
## tensor([1, 2, 3], dtype=torch.int32)1.3 基本运算
import torch
a=torch.randint(1,5,(2,3))
b=torch.randint(1,5,(2,3))
print(a)
print(b)
## tensor([[3, 4, 3],
## [1, 3, 1]])
## tensor([[2, 4, 2],
## [4, 1, 1]])
# 加法即为对应位置相加，也可以使用torch.add()
a+b
## tensor([[5, 8, 5],
## [5, 4, 2]])
c=torch.add(a,b)
c
## tensor([[5, 8, 5],
## [5, 4, 2]])
# add()可以有第三个参数，在里面存入结果
result=torch.zeros(2,3)
torch.add(a,b,out=result)
result
## tensor([[5., 8., 5.],
## [5., 4., 2.]])
# 下述操作即为 a=a+b
# 注意 任何使张量tensor发生变化的操作都有一个前缀'_',例如: a.add_(),a.sub_()
a.add_(b)
a
## tensor([[5, 8, 5],
## [5, 4, 2]])
a-b
## tensor([[3, 4, 3],
## [1, 3, 1]])
a*b
## tensor([[10, 32, 10],
## [20, 4, 2]])
a/b
## tensor([[2.5000, 2.0000, 2.5000],
## [1.2500, 4.0000, 2.0000]])
# 取余
a%b
## tensor([[1, 0, 1],
## [1, 0, 0]])
# 整除
a//b
## tensor([[2, 2, 2],
## [1, 4, 2]])
tensor=torch.ones(3,5)
tensor
## tensor([[1., 1., 1., 1., 1.],
## [1., 1., 1., 1., 1.],
## [1., 1., 1., 1., 1.]])
a=a.float()
a
## tensor([[5., 8., 5.],
## [5., 4., 2.]])
# 矩阵乘法 a为2×3 tensor为3×5，可以进行
# 同时注意数据类型应一致
torch.matmul(a,tensor)
## tensor([[18., 18., 18., 18., 18.],
## [11., 11., 11., 11., 11.]])
# 矩阵的转置
a.T
## tensor([[5., 5.],
## [8., 4.],
## [5., 2.]])
sample=torch.rand(3,2)
sample
## tensor([[0.5270, 0.9099],
## [0.1966, 0.1493],
## [0.0846, 0.6870]])
# 求和
torch.sum(sample)
## tensor(2.5544)
# 最小值
torch.min(sample)
## tensor(0.0846)
# 最大值
torch.max(sample)
## tensor(0.9099)
#求最小值所在的位置
torch.argmin(sample)
## tensor(4)
#求最大值所在的位置
torch.argmax(sample)
## tensor(1)
# 求平均值
torch.mean(sample)
## tensor(0.4257)
# 求中位数
torch.median(sample)
## tensor(0.1966)
# 求开方
torch.sqrt(sample)
## tensor([[0.7260, 0.9539],
## [0.4434, 0.3864],
## [0.2909, 0.8288]])
# 求平方
sample**2
## tensor([[0.2778, 0.8279],
## [0.0387, 0.0223],
## [0.0072, 0.4719]])1.4 数据的索引
import torch
tensor=torch.arange(2,14)
tensor
## tensor([ 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13])
# 从左往右取是从0开始 从右往左是从-1开始
print(tensor[0])
print(tensor[-1])
## tensor(2)
## tensor(13)
# 连续取
print(tensor[1:4])
## tensor([3, 4, 5])
print(tensor[2:-1])
## tensor([ 4, 5, 6, 7, 8, 9, 10, 11, 12])
# 冒号左边啥都没有说明从头开始
# 冒号右边啥都没有说明取到最后
print(tensor[:5])
print(tensor[-3:])
## tensor([2, 3, 4, 5, 6])
## tensor([11, 12, 13])
# 可以用下述方式连续取出指定值
index=[1,1,2,6,7]
tensor[index]
## tensor([3, 3, 4, 8, 9])
# 遍历
for t in tensor:
print(t)
## tensor(2)
## tensor(3)
## tensor(4)
## tensor(5)
## tensor(6)
## tensor(7)
## tensor(8)
## tensor(9)
## tensor(10)
## tensor(11)
## tensor(12)
## tensor(13)1.5 自动求导
import torch
# 后面一个参数代表可以计算梯度
x=torch.ones((2,2),requires_grad=True)
x
## tensor([[1., 1.],
## [1., 1.]], requires_grad=True)
y=x+2
z=y*y*3
out=z.mean()
out
## tensor(27., grad_fn=<MeanBackward0>)
#求out关于x的导数
out.backward()
print(x.grad)
## tensor([[4.5000, 4.5000],
## [4.5000, 4.5000]])
Comments NOTHING