首先安装好后pytorch
使用import pytorch如果程序不报错，那么就是安装好了。
一、torch数据结构——tensor（张量）- torch.float()
- torch.int()
- torch.bool()
torch也可以使用指定类型函数快速创建
d = torch.FloatTensor(2,3)
e = torch.IntTensor(2)
f = torch.IntTensor([1,2,3,4])
print(d, e, f)
out:
tensor([[ 7.2398e-07, 4.5710e-41, -2.0912e+23],
[ 3.0812e-41, 6.7262e-43, 0.0000e+00]])
tensor([64, 0], dtype=torch.int32)
tensor([1, 2, 3, 4], dtype=torch.int32)
其他torch函数
二、torch和numpy互换torch.rand(2, 3) # 两行三列的随机数
torch.ones(2, 3) # 两行三列的全1，默认dtype=float32，也可指定dtype改变
torch.zeros(2, 3) # 两行三列的全0，dtype=float32
torch.arange(0, 10, 2) # 0到10，间隔为2， --> tensor([0, 2, 4, 6, 8])
numpy的array和torch的tensor可以相互转换
# 定义numpy数组
# array --> tensor
arr1 = np.array([[1,2,3],[4,5,6]])
ten1 = torch.tensor(arr1) # method 1
# tensor --> array
ten2 = torch.from_numpy(arr1) # method 2
arr2 = ten.numpy()
out:
ten1: tensor([[1, 2, 3],
[4, 5, 6]])
tens: tensor([[1, 2, 3],
[4, 5, 6]])
arr2: [[1 2 3]
[4 5 6]]
三、tensro的属性
四、torch的运算 基础： + - * /a = torch.tensor([1,2,3])
a.shape # -->torch.Size([3]) 和调用a.size() 得到的结果相同
a.dtype # -->cpu
a.device # -->torch.int64
############哈达玛积（element wise，对应元素相乘） a*b +-*/ torch.mul(a,b) # add sub div a.mul(b) a.mul_(b) # --> 加下划线之后，乘完之后改变a的值 #######矩阵运算 ###低维情况 a = torch.tensor([[1,2],[3,4]]) b = torch.tensor([[1,0],[1,0]]) print(a, "n",b) print(torch.mm(a,b)) # 矩阵乘积形式1 print(torch.matmul(a,b)) # 矩阵乘积形式2 print(a @ b) # 矩阵乘积形式3 print(a.matmul(b)) # 矩阵乘积形式4 print(a.mm(b)) # 矩阵乘积形式5 ###高维情况 # 前两个必须相同，后面两位相乘 a = torch.ones(1,2,3,4) b = torch.ones(1,2,4,3) # 3*4 @ 4*3 = 3*3 print(a.matmul(b)) print(torch.matmul(a, b))幂指对运算 pow、 exp、 log
###########幂运算 ##### a^2 torch.pow(a,2) a.pow(2) a**2 a.pow_(2) ##### e^x torch.exp(a)) b = a.exp_() ##### 根号 a.sqrt() a.sqrt_() ###########对数运算 torch.log2(a) # 每个数都分别取对数 torch.log10(a) torch.log(a) # 底数为e相同返回True
################### tensor 比较运算 torch.eq(input,other,out=None)# 对每个元素进行等式操作，返回boolean tensor，全部相同返回True torch.equal(tensor1,tensor2)# 如果tensor1,tensor2 有相同的size和elements，则为一个True或False torch.ge(input,other,out=None) # input >=other torch.gt(input,other,out=None) # input >other torch.le(input,other,out=None) # input <=other torch.lt(input,other,out=None) # inputtorch其他函数 ################### torch统计学函数 torch.mean() #返回均值 torch.sum() #返回总和 torch.prod() #返回 所哟普元素的积 torch.max() #返回最大值 torch.min() #返回最小值 torch.argmax() #返回最大值排序的索引值 torch.argmin() #返回最小值排序的索引值 torch.std() #返回标准差 torch.var() #返回方差 torch.median() #返回中间值 torch.mode() #返回众数值 torch.histc() #返回input的直方图 torch.bincount() #返回每个值的频数，只支持一维的tensor ################### tensor函数 torch.abs() # L1_loss torch.sigmoid() # 激活函数 torch.sign() # 符号函数 -1，x<0 0，x=0 1，x>0 torch.cumprod() torch.cumsum()五、torch操作索引切片if tensor.cuda.is_available():
tensor = tensor.to("cuda")
改变形状a[ : , 1 ] -->第一列
a[ 0 , : ] -->第一行
合并tensor改变tensor形状view() 类似于numpy的reshae
a.view(3,2)
a.view(-1,3) # -1是由自动推导
t1 = torch.cat([tensor1, tensor2, tensor3], dim=1)
a=torch.rand(4,32,8) # 4层32行8列
b=torch.rand(5,32,8) # 5层32行8列
torch.cat([a,b], dim=0).shape # --> torch.Size([9, 32, 8]) 如果使用dim=1报错，因为4和5不相同a=torch.rand(4,32,8)
b=torch.rand(4,32,8)
torch.cat([a,b], dim=1).shape # torch.Size([4, 64, 8]) 因为4，，8相同t2 = torch.stack([tensor1, tensor2],dim=1)
a=torch.rand(4,32,8)
b=torch.rand(4,32,8)torch.stack([a,b], dim=1).shape # torch.Size([4, 2, 32, 8]) 因为4，，8相同torch.Size([4, 2, 32, 8])
六、自动求导x1 = torch.tensor(1, requires_grad = True) # requires_grad表示这个变量可求导
x2 = torch.tensor(2, requires_grad = True)
y = x1 + x2 * 2
使用x1.requires_grad 会返回True 或者 False，表示是否可以求导
out: y = tensor(5.0, grad_fn=
此时如果输入：
x1.grad.data 程序报错，因为此时只进行了前向传播，未进行反向传播
所以，用反向传播
y = x1 + x2 * 2
y.backward()
print(x1.grad.data) --> tensor(1.)
print(x2.grad.data) --> tensor(2.)
注意：
# 1、 导数是会累计的，重复运行相同命令，grad会增加
# 2、 所以每次计算前都要清除当前导数值避免累计，这一功能可以通过pytorch的optimizer实现
