PyTorch 入门实战

刺骨的言语ヽ痛彻心扉 2023-08-17 17:02 162阅读 0赞

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。  
本文链接：https://blog.csdn.net/qq\_36556893/article/details/86480120  
前言  
博主学习了PyTorch，发现这个深度学习框架适合研究和使用。  
当然，博主热衷于vs2017这款IDE。虽然博主同样安装了PyCharm和Eclipse，但是由于写C++Debug的习惯，还是选择了vs2017(和vs2019)作为深度学习的集成开发环境，希望可以帮助博主学习深度学习知识。  
环境安装  
主要参考博主的这篇文章：vs2017 开始自己的第一个PyTorch程序

在之后的相关教程里博主不会再给出安装的具体步骤，因为按顺序看的话没有这样的问题嘿嘿~

PyTorch入门实战  
1.博客：PyTorch 入门实战（一）——Tensor  
2.博客：PyTorch 入门实战（二）——Variable  
3.博客：PyTorch 入门实战（三）——Dataset和DataLoader  
4.博客：PyTorch 入门实战（四）——利用Torch.nn构建卷积神经网络  
5.博客：PyTorch 入门实战（五）——2013kaggle比赛 猫狗大战的实现  
目录

前言

环境安装

一、Tensor的创建和使用

二、Tensor放到GPU上执行

三、Tensor总结

一、Tensor的创建和使用  
1.概念和TensorFlow的是基本一致的，只是代码编写格式的不同。我们声明一个Tensor，并打印它，例如：

import torch  
\#定义一个Tensor矩阵  
a = torch.Tensor(\[1, 2\], \[3, 4\],\[5, 6\], \[7, 8\])  
print(a)  
print('\{\}'.format(a))  
然后会发现报以下错误：

new() received an invalid combination of arguments - got (list, list, list, list), but expected one of: \* (torch.device device) \* (torch.Storage storage) \* (Tensor other) \* (tuple of ints size, torch.device device) \* (object data, torch.device device)

意思是接收到无效的参数组合。其实是少写了一对中括号，这是初学者的常用错误。

2.改成如下形式：

import torch  
\#定义一个Tensor矩阵  
a = torch.Tensor(\[\[1, 2\], \[3, 4\],\[5, 6\], \[7, 8\]\])  
print(a)  
print('\{\}'.format(a))  
结果为：

3.如果想查看的它的大小可以加一句话：

import torch  
\#定义一个Tensor矩阵  
a = torch.Tensor(\[\[1, 2\], \[3, 4\],\[5, 6\], \[7, 8\]\])  
print('\{\}'.format(a.size()))  
结果为：

即4行2列的矩阵

4.如果想生成一个全为0的矩阵，可以输入如下代码：

import torch  
\#定义一个Tensor矩阵  
a = torch.Tensor(\[\[1, 2\], \[3, 4\],\[5, 6\], \[7, 8\]\])  
print('\{\}'.format(a.size()))  
b = torch.zeros((4, 2))  
print(b)  
结果为：

即4行2列数组元素全为0的矩阵

5.如果想生成不同类型的数据，可以改变torch.后面函数名称，例如下面这样：

6.如果想访问Tensor里的一个元素或者改变它，可以输入如下代码：

print(e\[1, 1\])  
\#改变元素值  
e\[1, 1\] = 3  
print(e\[1, 1\])  
代码变为：

说明原来4的位置数值变为了3

7.最重要的是Tensor和Numpy之间的转换，例如我们把e变为numpy类型，添加以下代码：

f = e.numpy()  
print(f)  
变为：

import torch  
\#定义一个Tensor矩阵  
a = torch.Tensor(\[\[1, 2\], \[3, 4\],\[5, 6\], \[7, 8\]\])  
print('\{\}'.format(a))  
b = torch.zeros((4, 2))  
print(b)  
c = torch.IntTensor(\[\[1, 2\], \[3, 4\],\[5, 6\], \[7, 8\]\])  
print(c)  
d = torch.LongTensor(\[\[1, 2\], \[3, 4\],\[5, 6\], \[7, 8\]\])  
print(d)  
e = torch.DoubleTensor(\[\[1, 2\], \[3, 4\],\[5, 6\], \[7, 8\]\])  
print(e)  
print(e\[1, 1\])  
\#改变元素值  
e\[1, 1\] = 3  
print(e\[1, 1\])  
\#转换为Numpy  
f = e.numpy()  
print(f)  
结果为：

可以看到没有tensor()了~

我们再把f变为tensor类型，输入以下代码：

g = torch.from\_numpy(f)  
print(g)  
变为：

可以看到又变成了Tensor类型~

二、Tensor放到GPU上执行  
1.通过如下代码判断是否支持GPU：

if torch.cuda.is\_available():  
h = g.cuda()  
print(h)  
变为

三、Tensor总结  
1.Tensor和Numpy都是矩阵，区别是前者可以在GPU上运行，后者只能在CPU上

2.Tensor和Numpy互相转化很方便，类型也比较兼容

3.Tensor可以直接通过print显示数据类型，而Numpy不可以，例如：dtype = torch.float64

————————————————  
版权声明：本文为CSDN博主「悲恋花丶无心之人」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。  
原文链接：https://blog.csdn.net/qq\_36556893/article/details/86480120