深度学习 Pytorch安装和基本操作一、前言二、安装三、基本操作

一、前言

PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。

二、安装

Pytorch的安装有多种方式，不过官网会根据使用者的情况，给出安装方式。如下图，一句命令行搞定。

注意此命令是非GPU版，（作者目前只用于学习测试就轻装上阵啦~）：

pip3 install torch torchvision torchaudio

如果选择了GPU版本，在执行安装命令后，需要到英伟达官网下载CUDA安装，这里给的是中文网址，解决访问慢的问题。

三、基本操作

初始化空矩阵

#引入torch
import torch

#初始化空矩阵(不一定是0)
x=torch.empty(2,6)
print(x)

#初始化空矩阵(不一定是0)
x=torch.Tensor(2,6)
print(x)

tensor([[0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0.]])
tensor([[9.6428e-39, 1.1112e-38, 9.5511e-39, 1.0102e-38, 1.0286e-38, 1.0194e-38],
        [9.6429e-39, 9.2755e-39, 9.1837e-39, 9.3674e-39, 1.0745e-38, 1.0653e-38]])

初始化矩阵为0

x=torch.zeros(2,6)
print(x)

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

初始化矩阵为1

x=torch.ones(2,6)
print(x)

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

生成序列

#(起始值，最终值，步长)，长度：(最终值-起始值)/步长，out_0=start，out_new=out_last+step
print(torch.arange(4))
print(torch.arange(0,4))
print(torch.arange(0,8,2)) 

tensor([0, 1, 2, 3])
tensor([0, 1, 2, 3])
tensor([0, 2, 4, 6])

生成均值0~1的随机矩阵

x=torch.rand(2,6)
print(x)

tensor([[0.3755, 0.2834, 0.7252, 0.2890, 0.8312, 0.2263],
        [0.1026, 0.8741, 0.2343, 0.4330, 0.1700, 0.4974]])

生成均值为0，方差为1的正态分布随机矩阵

x=torch.randn(2,6)
print(x)

tensor([[-0.1415, -0.0771, -0.4097, -0.8826, -0.7365, -0.1372],
        [ 0.2306,  3.0268,  0.0854,  1.0262, -1.1437, -0.9747]])

获取矩阵大小

size=x.size()
print(size)

torch.Size([2, 6])

改变矩阵大小

x=x.view(3,4)
print(x)

tensor([[-0.1415, -0.0771, -0.4097, -0.8826],
        [-0.7365, -0.1372,  0.2306,  3.0268],
        [ 0.0854,  1.0262, -1.1437, -0.9747]])

tensor转化成numpy

x=x.numpy()
print(x)

[[-0.1414774  -0.0771474  -0.40970442 -0.8825591 ]
 [-0.73653847 -0.13715151  0.2305768   3.0268297 ]
 [ 0.08539295  1.0261918  -1.1437056  -0.974712  ]]

numpy转化成tensor

x=torch.from_numpy(x)
print(x)

tensor([[-0.1415, -0.0771, -0.4097, -0.8826],
        [-0.7365, -0.1372,  0.2306,  3.0268],
        [ 0.0854,  1.0262, -1.1437, -0.9747]])

绝对值

x=torch.abs(x)
print(x)

tensor([[0.1415, 0.0771, 0.4097, 0.8826],
        [0.7365, 0.1372, 0.2306, 3.0268],
        [0.0854, 1.0262, 1.1437, 0.9747]])

加减乘除

print('x=',x)
y=torch.ones(3,4)*2
print('y=',y)

print('x+y=',x+y)
print('x-y=',x-y)
print('x*y=',x*y)
print('x/y=',x/y)

x= tensor([[0.1415, 0.0771, 0.4097, 0.8826],
        [0.7365, 0.1372, 0.2306, 3.0268],
        [0.0854, 1.0262, 1.1437, 0.9747]])
y= tensor([[2., 2., 2., 2.],
        [2., 2., 2., 2.],
        [2., 2., 2., 2.]])
x+y= tensor([[2.1415, 2.0771, 2.4097, 2.8826],
        [2.7365, 2.1372, 2.2306, 5.0268],
        [2.0854, 3.0262, 3.1437, 2.9747]])
x-y= tensor([[-1.8585, -1.9229, -1.5903, -1.1174],
        [-1.2635, -1.8628, -1.7694,  1.0268],
        [-1.9146, -0.9738, -0.8563, -1.0253]])
x*y= tensor([[0.2830, 0.1543, 0.8194, 1.7651],
        [1.4731, 0.2743, 0.4612, 6.0537],
        [0.1708, 2.0524, 2.2874, 1.9494]])
x/y= tensor([[0.0707, 0.0386, 0.2049, 0.4413],
        [0.3683, 0.0686, 0.1153, 1.5134],
        [0.0427, 0.5131, 0.5719, 0.4874]])

三角函数

y.sin()

tensor([[0.9093, 0.9093, 0.9093, 0.9093],
        [0.9093, 0.9093, 0.9093, 0.9093],
        [0.9093, 0.9093, 0.9093, 0.9093]])

求和

sum=y.sum()
print(sum)

tensor(24.)

张量转标量

print(sum.item())
print(int(sum))
print(float(sum))

24.0
24
24.0

均值

print(y.mean())

tensor(2.)

矩阵点乘

import numpy as np
A=np.array(
    [
        [1,2,3,4]
    ]
)

B=np.array(
    [
        [1],
        [2],
        [3],
        [4]
    ]
)

print('numpy:',A.dot(B))

a=torch.from_numpy(A)
b=torch.from_numpy(B)
print('torch:',a.mm(b))

numpy: [[30]]
torch: tensor([[30]], dtype=torch.int32)

最后

以上就是霸气店员为你收集整理的深度学习 Pytorch安装和基本操作一、前言二、安装三、基本操作的全部内容，希望文章能够帮你解决深度学习 Pytorch安装和基本操作一、前言二、安装三、基本操作所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。