ITPub博客

首页 > 应用开发 > IT综合 > Pytorch入门演练

Pytorch入门演练

原创 IT综合 作者:磐创AI 时间:2018-12-19 16:58:40 0 删除 编辑

作者 | 磐石

编辑 | 安可

出品 | 磐创AI技术团队

【引言】Pytorch是一个基于Python的科学计算软件包,有以下两种定位:

  • 可以使用多GPU加速的NumPy替代品

  • 提供最大限度灵活性与速度的深度学习研究平台

一、入门

1.Tensors(张量)

Tensors(张量)类似于NumPy中的ndarray,另外它还可以使用GPU加速计算。

from__future__import print_function
importtorch

构造一个未初始化的5x3矩阵:

x = torch.empty(5, 3)
print(x)

输出:

tensor([[-9.0198e-17,  4.5633e-41, -2.9021e-15],
       [ 4.5633e-41,  0.0000e+00,  0.0000e+00],
       [ 0.0000e+00,  0.0000e+00,  0.0000e+00],
       [ 0.0000e+00,  0.0000e+00,  0.0000e+00],
       [ 0.0000e+00,  0.0000e+00,  0.0000e+00]])

构造一个随机初始化的矩阵:

x = torch.rand(5, 3)
print(x)

输出:

tensor([[0.1525, 0.7689, 0.5664],
       [0.7688, 0.0039, 0.4129],
       [0.9979, 0.3479, 0.2767],
       [0.9580, 0.9492, 0.6265],
       [0.2716, 0.6627, 0.3248]])

构造一个使用零填充、数据类型为long(长整型)的5X3矩阵:

x = torch.zeros(5, 3, dtype=torch.long)
print(x)

输出:

tensor([[0, 0, 0],
       [0, 0, 0],
       [0, 0, 0],
       [0, 0, 0],
       [0, 0, 0]])

直接用一组数据构造Tensor(张量):

x = torch.tensor([5.5, 3])
print(x)

输出:

tensor([5.5000, 3.0000])

或者根据现有的Tensor(张量)创建新的Tensor(张量)。除非用户提供新值,否则这些方法将重用输入张量的属性,例如dtype:

x = x.new_ones(5, 3, dtype=torch.double)  # 使用new_* 方法设定维度
print(x)

x = torch.randn_like(x, dtype=torch.float)   # 重新设定数据类型
Print(x)                                   # 结果维度不变

输出:

tensor([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]], dtype=torch.float64)

tensor([[ 0.4228,  0.3279,  0.6367],
       [ 0.9233, -0.5232, -0.6494],
       [-0.1946,  1.7199, -0.1954],
       [ 0.1222,  0.7204, -1.3328],
       [ 0.1230, -0.5800,  0.4562]])

输出它的大小:

print(x.size())

输出:

torch.Size([5, 3])

注意:torch.Size 实际上是一个元组,因此它支持所有元组操作。

2. 运算

Tensor运算有多种语法。在下面的示例中,我们将先示例加法运算。

加法运算:语法1

y = torch.rand(5, 3)
print(x + y)

输出:

tensor([[ 0.0732,  0.9384, -0.2489],
       [-0.6905,  2.1267,  3.0045],
       [ 0.6199,  0.4936, -0.0398],
       [-2.0623, -0.5140,  1.6162],
       [ 0.3189, -0.0327, -0.5353]])

加法运算:语法2

print(torch.add(x, y))

输出:

tensor([[ 0.0732,  0.9384, -0.2489],
       [-0.6905,  2.1267,  3.0045],
       [ 0.6199,  0.4936, -0.0398],
       [-2.0623, -0.5140,  1.6162],
       [ 0.3189, -0.0327, -0.5353]])

加法运算:使用输出Tensor(张量)作为参数

result = torch.empty(5, 3)
torch.add(x, y, out=result)

print(result)

输出:

tensor([[ 0.0732,  0.9384, -0.2489],
       [-0.6905,  2.1267,  3.0045],
       [ 0.6199,  0.4936, -0.0398],
       [-2.0623, -0.5140,  1.6162],
       [ 0.3189, -0.0327, -0.5353]])

加法运算:内联接

# adds x to y
y.add_(x)
print(y)

输出:

tensor([[ 0.0732,  0.9384, -0.2489],
       [-0.6905,  2.1267,  3.0045],
       [ 0.6199,  0.4936, -0.0398],
       [-2.0623, -0.5140,  1.6162],
       [ 0.3189, -0.0327, -0.5353]])

注意:任何改变原张量实现内联接的操作都是通过在后边加_ 实现的。例如:x.copy_(y),x.t_(),将将改变x的值。】

 你可以像在NumPy中一样使用索引及其他所有华丽的功能。

print(x[:, 1])

输出:

tensor([ 0.3279, -0.5232,  1.7199,  0.7204, -0.5800])

Resizing(调整大小):如果要resize/reshape张量,可以使用torch.view

x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8)  # -1是推断出来的

print(x.size(), y.size(), z.size())

输出:

torch.Size([4, 4])  torch.Size([16])  torch.Size([2, 8])

如果你有只含一个元素的张量,可以用.item()获取它的值作为Python数值

x = torch.randn(1)

print(x)

print(x.item())

输出:

tensor([0.1550])

0.15495021641254425

【延伸阅读:100+张量操作,包括置换,索引,切片,数学运算,线性代数,随机数等等,被详细描述在这里

(https://pytorch.org/docs/torch)。】

 二、NUMPY桥接器

将Torch Tensor转换为NumPy array是一件轻而易举的事(反之亦然)。Torch Tensor和NumPyarray共享其底层内存位置,更改一个将改变另一个。

1.将Torch Tensor转换为NumPy array

a = torch.ones(5)

print(a)

输出:

tensor([1., 1., 1., 1., 1.])

b = a.numpy()

print(b)

输出:

[1. 1. 1. 1. 1.]

了解numpyarray的值如何变化。

a.add_(1)

print(a)

print(b)

输出:

tensor([2., 2., 2., 2., 2.])

[2. 2. 2. 2. 2.]

2. 将NumPy array转换为Torch Tensor

了解如何自动地将np array更改为Torch Tensor

import numpy as np

a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)

print(a)
print(b)

输出:

[2. 2. 2. 2. 2.]

tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

除了Char(字符型)Tensor之外,CPU上的所有Tensors都支持转换为NumPy及返回。

三、CUDA TENSORS(张量)

可以使用.to方法将张量移动到任何设备上。

# 仅当CUDA可用的情况下运行这个cell 
# 我们用 ``torch.device`` 对象实现tensors在GPU上的写入与读出if torch.cuda.is_available():

   device = torch.device("cuda")          # 一个 CUDA 终端对象

   y = torch.ones_like(x, device=device)  # 直接在GUP上创建Tensor
   x = x.to(device)                # 或者直接使用字符串`.to("cuda")``
   z = x + y

   print(z)
   print(z.to("cpu", torch.double))     # `.to`` 也可以改变对象数据类型

输出:

tensor([2.4519], device='cuda:0')

tensor([2.4519], dtype=torch.float64)

脚本总运行时间:(0分6.338秒)

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/31555081/viewspace-2285786/,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论

注册时间:2018-09-17

  • 博文量
    42
  • 访问量
    43972