掃一掃
服務(wù)近2000家企業(yè)，依托一系列實踐中打磨過的技術(shù)和產(chǎn)品，根據(jù)企業(yè)的具體業(yè)務(wù)問題和需求，針對性的提供各行業(yè)大數(shù)據(jù)解決方案。
一文讀懂pytorch軟件開發(fā)基礎(chǔ)語法
來源：未知 時間：2021-03-30 瀏覽次數(shù)：210次
一.定義張量tensor
張量,一種數(shù)據(jù)類型，可以是一到多維矩陣，在機器學(xué)習(xí)中作為主要輸入輸出數(shù)據(jù)類型使用
1.自定義數(shù)值的張量torch.tensor([[2.1,12.2,2.121],[2.1,12.2,2.121]],dtype=float)
2.張量ndim，shape ，size屬性，ndim表示張量的維度，shape=size表示張量的形狀
3.定義全1張量test2 = torch.ones(8,8)
4.定義全零張量test3 = torch.zeros(2,9)
5.定義隨機張量test4 = torch.rand(1,20)
6.定義隨機整型張量test5 = torch.randint(0,10,(2,3))
7.定義正態(tài)分布張量test6 = torch.randn(1,9)
二.張量的基本運算
1.改變張量（矩陣）的維度，修改前后矩陣元素總數(shù)不變test6 = test6.view(3,3)
2.獲取tensor第n個元素
test6[1][1]：獲取二維矩陣第1行第一列元素，
test6[1] 若是一維矩陣則使用獲取第一個元素,
test[1:10]獲取從索引1到10的所有元素
test[:10]獲取10以前的所有數(shù)據(jù)
test[10:]獲取索引10以后的所有數(shù)據(jù)
tensor_b[[1,2],[1,1]] 根據(jù)索引獲取數(shù)據(jù)
3.test6[1].item()獲取指定索引元素的值
4.pytorch張量和numpy數(shù)組之前的轉(zhuǎn)化
numarr = numpy.array(test6) tensor轉(zhuǎn)化為numpy 數(shù)組
tensor = torch.tensor(nparr) numpy數(shù)組轉(zhuǎn)化為tensor張量
5.基本運算
加法運算： tensor_c = tensor_a+tensor_b ，將矩陣對應(yīng)元素分別相加，
加法運算的另外兩種不常用寫法
res = torch.zeros(3,3,dtype=int)
torch.add(tensor_a,tensor_b,out=res) 計算結(jié)果存儲在res變量中
tensor_c = torch.add(tensor_a,tensor_b)
減法運算： tensor_c = tensor_a+tensor_b ，將矩陣對應(yīng)元素分別相減
除法運算：tensor_c = tensor_a/tensor_b,將矩陣對應(yīng)元素分別相除
取余運算：tensor_c = tensor_a%tensor_b,對應(yīng)元素相除取余數(shù)
乘法運算：tensor_c = tensor_a*tensor_b，非矩陣乘法，對應(yīng)元素相乘
矩陣相乘：使用matmul函數(shù)tensor_c = torch.matmul(tensor_a,tensor_b)
對矩陣求和：tensor = torch.sum(tensor_c) 所有元素相加
求最大值最小值等：tensor = torch.max/min(tensor_c)
求最大值最小值所在的索引 index= torch.argmax(tensor_c) arg+max/min
求均值：tensor = torch.mean(tensor_b) tensor_b必須為float類型
獲得矩陣中位數(shù)：tensor = torch.median(tensor_b)
開方：tensor = torch.sqrt(tensor_b)
冪運算：tensor = torch**3
三.自動求導(dǎo)
x = torch.tensor([6,3],dtype=float,requires_grad=True)
y=x**3+1
y.backward(torch.ones_like(x)) //若輸出是標(biāo)量則y.backward(）
x.grad
注：y=x³+1 求導(dǎo)：根據(jù)求導(dǎo)公式得出yd= x³`+1` =>yd = 3x²