欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

【动手学深度学习】---0x01:pytorch基础知识

程序员文章站 2022-06-11 22:09:25
...

【动手学深度学习】—基础知识

1:Tensor:提供GPU计算自动求梯度

2:"tensor"这个单词一般可译作“张量”,张量可以看作是一个多维数组。标量可以看作是0维张量,向量可以看作1维张量,矩阵可以看作是二维张量。

3:创建Tensor

x = torch.empty(5, 3) # 5x3的未初始化的Tensor
print(x)
'''
tensor([[ 0.0000e+00,  1.5846e+29,  0.0000e+00],
        [ 1.5846e+29,  5.6052e-45,  0.0000e+00],
        [ 0.0000e+00,  0.0000e+00,  0.0000e+00],
        [ 0.0000e+00,  0.0000e+00,  0.0000e+00],
        [ 0.0000e+00,  1.5846e+29, -2.4336e+02]])
'''
x = torch.rand(5, 3) # 5x3的随机初始化的Tensor
print(x)
'''
tensor([[0.4963, 0.7682, 0.0885],
        [0.1320, 0.3074, 0.6341],
        [0.4901, 0.8964, 0.4556],
        [0.6323, 0.3489, 0.4017],
        [0.0223, 0.1689, 0.2939]])
'''
x = torch.zeros(5, 3, dtype=torch.long) # 5x3的long型全0的Tensor
print(x)
'''
tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])
'''
x = torch.tensor([5.5, 3]) # 根据数据创建
print(x)
'''
tensor([5.5000, 3.0000])
'''
x = x.new_ones(5, 3, dtype=torch.float64)  # 返回的tensor默认具有相同的torch.dtype和torch.device
print(x)
'''
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)
'''
x = torch.randn_like(x, dtype=torch.float) # 指定新的数据类型
print(x) 
'''
tensor([[ 0.6035,  0.8110, -0.0451],
        [ 0.8797,  1.0482, -0.0445],
        [-0.7229,  2.8663, -0.5655],
        [ 0.1604, -0.0254,  1.0739],
        [ 2.2628, -0.9175, -0.2251]])
'''

4:Tensor形状

print(x.size())
print(x.shape)
'''
torch.Size([5, 3])
torch.Size([5, 3]) # 返回的torch.Size其实就是一个tuple, 支持所有tuple的操作。
'''

5:操作

 y = torch.rand(5, 3)
 print(x + y) # 1
 
 print(torch.add(x, y)) # 2
 
 result = torch.empty(5, 3)
 torch.add(x, y, out=result) # 3
 print(result)
 
   # adds x to y
  y.add_(x) # 4
  print(y)

:PyTorch操作inplace版本都有后缀_, 例如x.copy_(y), x.t_()

6:索引—和numpy类似,但索引出来的结果与原数据共享内存,也即修改一个,另一个会跟着修改

7:改变形状

y = x.view(15)
z = x.view(-1, 5)  # -1所指的维度可以根据其他维度的值推出来
print(x.size(), y.size(), z.size())

注意:view仅仅是改变了对这个张量的观察角度,内部数据并未改变

# 返回一个真正新的副本(即不共享daat内存)
x_cp = x.clone().view(15)
x -= 1
print(x)
print(x_cp)
'''
tensor([[ 0.6035,  0.8110, -0.0451],
        [ 0.8797,  1.0482, -0.0445],
        [-0.7229,  2.8663, -0.5655],
        [ 0.1604, -0.0254,  1.0739],
        [ 2.2628, -0.9175, -0.2251]])
tensor([1.6035, 1.8110, 0.9549, 1.8797, 2.0482, 0.9555, 0.2771, 3.8663, 0.4345,
        1.1604, 0.9746, 2.0739, 3.2628, 0.0825, 0.7749])

'''

: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。

8:转换成number

x = torch.randn(1)
print(x)
print(x.item())
'''
tensor([2.3466])
2.3466382026672363
'''

9:线性代数

函数 功能
trace 对角线元素之和(矩阵的迹)
diag 对角线元素
triu/tril 矩阵的上三角/下三角,可指定偏移量
mm/bmm 矩阵乘法,batch的矩阵乘法
addmm/addbmm/addmv/addr/baddbmm… 矩阵运算
t 转置
dot/cross 内积/外积
inverse 求逆矩阵
svd 奇异值分解

10:广播机制
两个数组的后缘维度相同,或者在其中一方的维度为1。广播在缺失或者长度为1的维度上补充。

11:运算的内存开销
索引操作是不会开辟新内存的,而像y = x + y这样的运算是会新开内存的,然后将y指向新内存。

x = torch.tensor([1, 2])
y = torch.tensor([3, 4])
id_before = id(y)
y = y + x
print(id(y) == id_before) # False 

x = torch.tensor([1, 2])
y = torch.tensor([3, 4])
id_before = id(y)
y[:] = y + x
print(id(y) == id_before) # True

x = torch.tensor([1, 2])
y = torch.tensor([3, 4])
id_before = id(y)
torch.add(x, y, out=y) # y += x, y.add_(x)
print(id(y) == id_before) # True

:虽然view返回的Tensor与源Tensor是共享data的,但是依然是一个新的Tensor(因为Tensor除了包含data外还有一些其他属性),二者id(内存地址)并不一致。

12:Tensor和NumPy相互转换
numpy()和from_numpy()将Tensor和NumPy中的数组相互转换—(但是数据共享)。

torch.tensor()—(数据不共享)

a = torch.ones(5)
b = a.numpy()
print(a, b)

a = np.ones(5)
b = torch.from_numpy(a)
print(a, b)

13:Tensor on GPU

# 以下代码只有在PyTorch GPU版本上才会执行
if torch.cuda.is_available():
    device = torch.device("cuda")          # GPU
    y = torch.ones_like(x, device=device)  # 直接创建一个在GPU上的Tensor
    x = x.to(device)                       # 等价于 .to("cuda")
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))       # to()还可以同时更改数据类型

14:求梯度
属性.requires_grad设置为True,开始追踪(track)在其上的所有操作,完成计算后,可以调用.backward()来完成所有梯度计算,并将Tensor的梯度将累积到.grad属性中。

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(进行累加操作)

如果不想要被继续追踪,可以调用.detach()将其从追踪记录中分离出来。此外,还可以用with torch.no_grad()将不想被追踪的操作代码块包裹起来,这种方法在评估模型的时候很常用,因为在评估模型时,我们并不需要计算可训练参数(requires_grad=True)的梯度。

Function是另外一个很重要的类。Tensor和Function互相结合就可以构建一个记录有整个计算过程的有向无环图(DAG)。每个Tensor都有一个.grad_fn属性,该属性即创建该Tensor的Function, 就是说该Tensor是不是通过某些运算得到的,若是,则grad_fn返回一个与这些运算相关的对象,否则是None。

x = torch.ones(2, 2, requires_grad=True)
print(x)
print(x.grad_fn)
'''
tensor([[1., 1.],
        [1., 1.]], requires_grad=True)
None
'''
y = x + 2
print(y)
print(y.grad_fn)
'''
tensor([[3., 3.],
        [3., 3.]], grad_fn=<AddBackward>)
<AddBackward object at 0x1100477b8>
'''

叶子节点对应的grad_fn是None。

# 通过.requires_grad_()来用in-place的方式改变requires_grad属性:
a = torch.randn(2, 2) # 缺失情况下默认 requires_grad = False
a = ((a * 3) / (a - 1))
print(a.requires_grad) # False
a.requires_grad_(True)
print(a.requires_grad) # True
b = (a * a).sum()
print(b.grad_fn)
'''
False
True
<SumBackward0 object at 0x118f50cc0>
'''
x = torch.tensor([1.0, 2.0, 3.0, 4.0], requires_grad=True)
y = 2 * x
z = y.view(2, 2)
print(z)
'''
tensor([[2., 4.],
        [6., 8.]], grad_fn=<ViewBackward>)
'''
# 现在 z 不是一个标量,所以在调用backward时需要传入一个和z同形的权重向量进行加权求和得到一个标量。
v = torch.tensor([[1.0, 0.1], [0.01, 0.001]], dtype=torch.float)
z.backward(v)
print(x.grad)
'''
tensor([2.0000, 0.2000, 0.0200, 0.0020])
'''

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),那么我么可以对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)

参考资料

https://tangshusen.me/Dive-into-DL-PyTorch/#/chapter02_prerequisite/2.2_tensor