我的Pytorch框架学习一阶段

---

date: 2025-02-20 16:09:48
tags: pytorch

一，相关概念的核心

1.深度学习：机器学习的分支，以神经网络为基础，对数据的特征进行学习，深度学习需要的数量多，需要的计算性能强。
2.神经网络：模仿生物的神经系统实现的模型，能够对数据的特征进行学习。神经元是最小单元。 结构：t = f(Wx+b)
3.激活函数：把原来的数据进行变换。为什么使用非线性的激活函数，用非线性的激活函数能够增加模型的非线性分割能力。
激活函数的作用：增加非线性分割能力,增加模型的稳健性（让模型能够拟合不同的数据）,缓解梯度消失, 加速模型收敛

二，pytorch的基本使用

1.张量的多种创

import torch
t1=torch.tensor([1,2,3])  #torch.tensor(list/array)
t2=torch.ones([3,4])      #torch.ones/zeros/empty([3,4])
t3=torch.rand(3,5)        #3行5列 范围是[0，1）
t4=torch.randint(2,34,[15])#生成15个范围2到34的数
t5=torch.randn([3,4])    #均值为0标准差为1的数组
#torch.Tensor传入可迭代对象，类型为模型数据类型
#torch.tensor()创建tensor

2.张量相关属性及方法

import torch
t1=torch.tensor([1])
t1.item()             #只有一个元素时获取数据
t1.numpy()             #tensor转换为array
t1.size()           #获取tensor的形状
t1.view()           #变形
t1.transpose()      #转置
t1.dim()           #获取维度
t1.max()          #获取最大值
t1.t()              #转置， 维度的交换
t1.std()        #计算标准差
#tensor的切片与索引与numpy相似

3.tensor的数据类型及修改方法

import torch
import numpy as np
t1=torch.tensor(np.arange(12).reshape(3,4))
print(t1.dtype)       #获取tensor数据类型
t1=torch.tensor(np.arange(12).reshape(3,4),dtype=torch.double)
#指定数据类型还有torch.float32 torch.int64等类型
print(t1)
t1.int()   #转换为整形  还有long等

4.Tensor的计算及CUDA类型的tensor

import torch
import numpy as np
t1=torch.rand(5,3)
t2=torch.tensor(np.arange(15).reshape(5,3))
t3=torch.add(t1,t2)  #相加操作
t1.add(t2)
t1.add_(t2)   #对t1进行就地修改
t1.cpu()      #cuda的tensor转化成cpu上的tensor
print(torch.cuda.is_available())  #判断当前电脑是否支持gpu训练
if torch.cuda.is_available() :
    device =torch.device("cuda")    #cuda  device对象
    y=torch.ones_like(t1,device=device)    #创建一个在cuda上的tensor
    t1=t1.to(device)                       #t1转为cuda的tensor
    z=t1+y
    print(z)
    print(z.to("cpu",torch.double))         #.to方法也能设置类型