图像去雾毕业论文准备14-深度学习框架（pytorch）——超级详细（基础知识）

拼搏现实的明天。 2023-01-02 12:28 188阅读 0赞

## 图像去雾毕业论文准备14-深度学习框架（pytorch）——超级详细（基础知识） ##

torch常见的数据类型  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70]

#!/usr/bin/python3.6
    # -*- coding: utf-8 -*-
    # @Time    : 2021/1/5 21:41
    # @Author  : ptg
    # @Email   : zhxwhchina@163.com
    # @File    : pytorch基础知识.py
    # @Software: PyCharm
    
    import torch
    
    # 0-1之间的均匀分布
    x = torch.rand(2,3)
    print(x)
    
    # 正常随机数
    x =torch.randn(3,4)
    print(x)
    
    # zeros
    x = torch.zeros(2,3)
    print(x)
    
    x = torch.ones(2,3,4)
    print(x)
    
    
    print(x.size(0))
    print(x.size(1))
    
    # tensor类型，加上float32数据类型
    x = torch.tensor([6,2],dtype=torch.float32)
    print(x)
    # 数据类型的转换
    print(x.type())
    
    # 数据类型的转换
    a = x.type(torch.int64)
    print(a)
    print(a.type())
    
    
    """
    tensor与ndarray数据类型的转换
    """
    import numpy as np
    a = np.random.randn(2,3)
    print(a)
    
    # 可以从numpy数组中创建（从numpy转到tensor中）
    x1 = torch.from_numpy(a)
    print(x1)
    
    # 从tensor转到numpy
    print(x1.numpy())

# 广播相加
    x4 = x3 + 2
    print(x4)
    x5 = x4.add(x1)
    print(x5)
    print("x4",x4)
    
    # 当一个运算符后面加上一个下划线的时候，就地改变这个数
    x4 = x4.add_(x1)
    print("x41",x4)
    print(x4.shape)
    
    # view可以改变数据的输出形式
    x4 = x4.view(3,2)
    print(x4)
    
    x4.view(2,3)
    print(x4)
    
    # 自动计算(第二个维度为1)
    x5 = x4.view(-1,1)
    print(x5)
    
    # item返回一个标量值,通过item以后返回的就是一个标量而不是一个tensor值
    x5 = torch.rand(1)
    x6 = x5.item()
    print(x6)

具体的就不讲了，看简单的注释吧，继续往后推进！

好啦，下面着重介绍一下

## 张量的自动微分 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70 1]  
tensor里面有数据，grad(计算的梯度),grad\_fn(用什么方法计算得到的)

"""
    张量的自动微分
    将torch.tensor属性.requires_grad设置成True
    pytor将开始跟踪对此张量的所有操作
    完成计算后，可以调用.backward()并自动计算苏欧欧梯度
    该张量的梯度将累加到.grad属性中
    """
    # requires_grad=True跟踪所有的运算
    x = torch.ones(2,2,requires_grad=True)
    print(x)

下面是用过back.ward进行跟踪对象

"""
    因为不是通过某种计算得到的，所以梯度和计算方法返回值都是空值
    下面使用一个简单的计算进行查看，看看到底有什么变化
    """
    # 广播相加(y是通过相加得到的）
    y = x + 2
    print(y)
    print(y.data)
    
    # 可以看到梯度还是没有
    print(y.grad)
    
    # 但是计算方法输出了数值，一个内存占用单元》<AddBackward0 object at 0x000002546F3CFDC8>
    print(y.grad_fn)
    print("-."*20)
    # z = y*y + 3
    z = y*y + 3
    out = z.mean()
    print(out)
    print(out.backward())
    
    # 以上计算的所梯度都记录在x中
    print(x.grad)
    """
    结果如下：
    tensor([[1.5000, 1.5000],
            [1.5000, 1.5000]])
    """
    # x的值仍然是1,没有进行改变
    print(x.data)

当然，这里需要提到的是requires\_grad=True必须是true才可以进行跟踪

如果有的地方不用进行跟踪，那么可以使用包装的形式

with torch.no_grad():
        print((x**2).requires_grad)
    
    print((x**2).requires_grad)
    
    # 如果不用计算梯度,可以使用x.detach()进行 等价于with torch.no_grad
    y = x.detach()
    print(y)
    
    print("--."*20)
    # 假如有一个使用的不计算梯度的false
    a = y.requires_grad
    print(a)
    
    f = torch.tensor([2,3],dtype=torch.float32)
    print("f",f)
    # 可以看到是false
    print(f.requires_grad)
    # 可以就地改变tensor的grad属性
    c = f.requires_grad_(True)
    # 可以看到就地改变后输出的是True
    """
    False
    f tensor([2., 3.])
    False
    True
    """
    print(c.requires_grad)

好啦，基础的介绍和学习就到这里!  
（完！）

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70]: /images/20221119/0c8c1a39ba7841c1ad34ba5b7d292a60.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70 1]: /images/20221119/40324217ee0844da8eea7b09eb5d74bb.png