加法操作 :
import torch # 方式1 y = torch.rand(4, 3) print(x + y) # 方式2 print(torch.add(x, y)) # 方式3 提供一个输出 tensor 作为参数 # 这里的 out 不需要和真实的运算结果保持维数一致,但是会有警告提示! result = torch.empty(5, 3) torch.add(x, y, out=result) print(result) # 方式4 in-place y.add_(x) print(y)
索引操作:
# 取第二列 print(x[:, 1]) #索引出来的结果与原数据共享内存,修改一个,另一个会跟着修改。如果不想修改,可以考虑使用copy()等方法 y = x[0,:] y += 1#索引更改 print(y) print(x[0, :]) # 源tensor也被改了 #改变大小:如果想改变一个 tensor 的大小或者形状 #可以使用 torch.view: x = torch.randn(4, 4) y = x.view(16) z = x.view(-1, 8) # -1是指这一维的维数由其他维度决定 print(x.size(), y.size(), z.size()) #view仅仅是改变了对这个张量的观察⻆度,view()返回的新tensor与源tensor共享内存(其实是同一个tensor),也即更改其中的一个,另外一个也会跟着改变。 x += 1 print(x) print(y) # 也加了1 #想返回一个真正新的副本(即不共享内存)推荐先用 clone 创造一个副本然后再使用 view 。 #使用 clone 还有一个好处是会被记录在计算图中,即梯度回传到副本时也会传到源 Tensor 。 #如果你有一个元素 tensor ,使用 .item() 来获得这个 value: import torch x = torch.randn(1) print(type(x)) print(type(x.item())) #3. 广播机制
当对两个形状不同的 Tensor 按元素运算时,可能会触发广播(broadcasting)机制:先适当复制元素使这两个 Tensor 形状相同后再按元素运算。
x = torch.arange(1, 3).view(1, 2) print(x) y = torch.arange(1, 4).view(3, 1) print(y) print(x + y)二、自动求导
PyTorch 中,所有神经网络的核心是 autograd包。autograd包为张量上的所有操作提供了自动求导机制。
torch.Tensor是这个包的核心类。
每个张量都有一个.grad_fn属性,该属性引用了创建 Tensor 自身的Function(除非这个张量是用户手动创建的,即这个张量的grad_fn是 None ):
from __future__ import print_function import torch x = torch.randn(3,3,requires_grad=True) print(x.grad_fn) #张量由用户手动创建,因此grad_fn返回结果是None。
如果设置 torch.Tensor的属性 .requires_grad 为 True,那么它将会追踪对于该张量的所有操作。
要阻止一个张量被跟踪历史,可以调用.detach()方法将其与计算历史分离,并阻止它未来的计算记录被跟踪。为了防止跟踪历史记录(和使用内存),可以将代码块包装在 with torch.no_grad(): 中。在评估模型时特别有用,因为模型可能具有 requires_grad = True 的可训练的参数,但是我们不需要在此过程中对他们进行梯度计算。
torch.no_grad() :是一个上下文管理器,被该语句 wrap 起来的部分将不会track 梯度。
with torch.no_grad() 详解_莫说相公痴的博客-CSDN博客_@torch.no_grad()
a = torch.tensor([1.1], requires_grad=True) b = a * 2
打印b可看到其 grad_fn 为 mulbackward 表示是做的乘法:
b Out[63]: tensor([2.2000], grad_fn=)
不被wrap的情况下,b.grad_fn 为 addbackward 表示这个add 操作被track了:
b.add_(2) Out[64]: tensor([4.2000], grad_fn=)
但是:
with torch.no_grad():
b.mul_(2)
在被包裹的情况下可以看到 b.grad_fn 还是为 add,mul 操作没有被 track. 但是乘法操作是被执行了的:
b Out[66]: tensor([8.4000], grad_fn=)
所以如果有不想被track的计算部分可以通过这么一个上下文管理器包裹起来。这样可以执行计算,但该计算不会在反向传播中被记录。
同时 torch.no_grad() 还可以作为一个装饰器。
比如在网络测试的函数前加上:
@torch.no_grad() def eval(): ...
同样还可以用 torch.set_grad_enabled()来实现不计算梯度。
例如:
def eval(): torch.set_grad_enabled(False) ... # your test code torch.set_grad_enabled(True)
如果我们想要修改 tensor 的数值,但是又不希望被 autograd 记录(即不会影响反向传播), 那么我们可以对 tensor.data 进行操作:
x = torch.ones(1,requires_grad=True) print(x.data) # 还是一个tensor print(x.data.requires_grad) # 但是已经是独立于计算图之外 y = 2 * x x.data *= 100 # 只改变了值,不会记录在计算图,所以不会影响梯度传播 y.backward() print(x) # 更改data的值也会影响tensor的值 print(x.grad)
tensor([1.]) False tensor([100.], requires_grad=True) tensor([2.])
梯度
当完成计算后可以通过调用 .backward(),来自动计算所有的梯度。这个张量的所有梯度将会自动累加到.grad属性。
注意:在 y.backward() 时,如果 y 是标量,则不需要为 backward() 传入任何参数;否则,需要传入一个与 y 同形的Tensor。
现在开始进行反向传播,因为 out 是一个标量,因此out.backward()和 out.backward(torch.tensor(1.)) 等价。
out.backward()
输出导数 d(out)/dx:
print(x.grad)
tensor([[3., 3.],
[3., 3.]])
雅可比向量积的例子:
x = torch.randn(3, requires_grad=True)
print(x)
y = x * 2
i = 0
while y.data.norm() < 1000:
y = y * 2
i = i + 1
print(y)
print(i)
tensor([-0.9332, 1.9616, 0.1739], requires_grad=True) tensor([-477.7843, 1004.3264, 89.0424], grad_fn=) 8
在这种情况下,y 不再是标量。torch.autograd 不能直接计算完整的雅可比矩阵,但是如果我们只想要雅可比向量积,只需将这个向量作为参数传给 backward:
v = torch.tensor([0.1, 1.0, 0.0001], dtype=torch.float) y.backward(v) print(x.grad)
tensor([5.1200e+01, 5.1200e+02, 5.1200e-02])
注意:grad在反向传播过程中是累加的(accumulated),这意味着每一次运行反向传播,梯度都会累加之前的梯度,所以一般在反向传播之前需把梯度清零。
# 再来反向传播一次,注意grad是累加的 out2 = x.sum() out2.backward() print(x.grad) out3 = x.sum() x.grad.data.zero_() out3.backward() print(x.grad)
tensor([[4., 4.],
[4., 4.]])
tensor([[1., 1.],
[1., 1.]])
三、并行计算
我们学习PyTorch的目的就是可以编写我们自己的框架,来完成特定的任务。可以说,在深度学习时代,GPU的出现让我们可以训练的更快,更好。所以,如何充分利用GPU的性能来提高我们模型学习的效果,这一技能是我们必须要学习的。
在编写程序中,当我们使用了 .cuda 时,其功能是让我们的模型或者数据迁移到GPU当中,通过GPU开始计算。
但是,我的电脑没记错的话是AMD的GPU编程接口,采用的是OpenGL,在现阶段PyTorch并不支持。( ̀⌄ ́)



