深度学习的基于pytorch实现

基本运算

import torch #pytorch的速度比numpy更快
x = torch.arange(12)
x

tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

x.shape # 显示矩阵的阶数

torch.Size([12])

X = x.reshape(3,4) #转换矩阵的形状
X

tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])

X.shape

torch.Size([3, 4])

x.numel() # 显示所有元素的个数

12

torch.ones((2,3,4)) #生成一个全为1的矩阵 2表示维度 3表示行数 4表示列数

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

        [[1., 1., 1., 1.],
         [1., 1., 1., 1.],
         [1., 1., 1., 1.]]])

torch.zeros((2,3,4)) #生成一个全为0的矩阵 2表示维度 3表示行数 4表示列数

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

        [[0., 0., 0., 0.],
         [0., 0., 0., 0.],
         [0., 0., 0., 0.]]])

torch.randn(3,4) # 生成一个3行4列的随即元素的矩阵

tensor([[ 0.8254,  0.5382,  1.3708,  1.4770],
        [-1.1002, -0.2319, -0.0071,  0.2910],
        [-0.3470,  0.4826,  0.2891, -0.1019]])

torch.tensor([[2,3,1,4],[1,2,3,4],[1,1,1,1]]) #为元素赋予值

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

torch.tensor([[2,3,1,4],[1,2,3],[1,1,1,1]]) #在这里面他的元素的个数必须是相同的否则报错

---------------------------------------------------------------------------

ValueError                                Traceback (most recent call last)

Cell In [11], line 1
----> 1 torch.tensor([[2,3,1,4],[1,2,3],[1,1,1,1]])


ValueError: expected sequence of length 4 at dim 1 (got 3)

X = torch

torch.ones((10))

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

x = torch.tensor([1.0,2,4,8])
y = torch.tensor([2.0,2,2,2])
x + y

tensor([ 3.,  4.,  6., 10.])

x - y

tensor([-1.,  0.,  2.,  6.])

x * y

tensor([ 2.,  4.,  8., 16.])

x / y

tensor([0.5000, 1.0000, 2.0000, 4.0000])

x ** y

tensor([ 1.,  4., 16., 64.])

torch.exp(x)

tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])

连结两个矩阵，堆叠起来形成更大的张量，第一个是沿着行合并，第二个是沿着列合并。

X = torch.arange(12,dtype=torch.float32).reshape((3,4)) #dtype定义矩阵是float类型
Y = torch.tensor([[2.0,1,4,3],[1,2,3,4],[4,3,2,1]])
torch.cat((X,Y),dim=0),torch.cat((X,Y),dim=1) #延行或列

(tensor([[ 0.,  1.,  2.,  3.],
         [ 4.,  5.,  6.,  7.],
         [ 8.,  9., 10., 11.],
         [ 2.,  1.,  4.,  3.],
         [ 1.,  2.,  3.,  4.],
         [ 4.,  3.,  2.,  1.]]),
 tensor([[ 0.,  1.,  2.,  3.,  2.,  1.,  4.,  3.],
         [ 4.,  5.,  6.,  7.,  1.,  2.,  3.,  4.],
         [ 8.,  9., 10., 11.,  4.,  3.,  2.,  1.]]))

对于每个位置，如果相同则返回true否则返回false

X == Y

tensor([[False,  True, False,  True],
        [False, False, False, False],
        [False, False, False, False]])

X.sum() # 返回元素中所有的和

tensor(66.)

广播机制

如果两个矩阵的行列数不同就会转变成为一个更大的矩阵进行运算，如下一个是31的矩阵一个是12的矩阵，进行相加变成了3*2的矩阵。

a = torch.arange(3).reshape((3,1))
b = torch.arange(2).reshape((1,2))
a,b

(tensor([[0],
         [1],
         [2]]),
 tensor([[0, 1]]))

a+b

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

X

tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.]])

索引和切片

左后一个元素，在矩阵中就是最后一行

X[-1]

tensor([ 8.,  9., 10., 11.])

1：3选取第二个和第三个元素

X[1:3]

tensor([[ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.]])

X[1,2] = 9
X

tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  9.,  7.],
        [ 8.,  9., 10., 11.]])

为多元素赋相同的值，只需要索引所有元素，：代表沿轴（列）的所有元素

X[0:2,:] = 12
X

tensor([[12., 12., 12., 12.],
        [12., 12., 12., 12.],
        [20., 21., 22., 23.]])

节省内存

在这个例子中，运行Y+X之后会重新分配内存，使Y指向新内存。这是不可取的，我们不能浪费内存

before = id(Y)
Y = Y + X
id(Y) ==before

False

可以使用切片表示法来将操作的结果分配给原先分配的数组

Z = torch.zeros_like(Y)
print('id(Z):',id(Z))
Z[:] = X+Y
print('id(Z):',id(Z))

id(Z): 3227757014528
id(Z): 3227757014528

如果在后续计算中没有重复使用X，可以用以下方法

before = id(X)
X += Y
id(X) ==before

True

转换为其他python对象

A = X.numpy()
B = torch.tensor(A)
type(A), type(B)

(numpy.ndarray, torch.Tensor)

将大小唯一的张量转换为python标量，可以用item和内置函数

a = torch.tensor([3.5])
a,a.item(),float(a),int(a)

(tensor([3.5000]), 3.5, 3.5, 3)

X < Y # 如果是比较两个张量的大小的话是对每个元素进行比较，结果返回布尔类型

tensor([[False, False, False, False],
        [False, False, False, False],
        [False, False, False, False]])

对于广播机制的维度不同的两个张量，不能运算，只能两个矩阵完全一样才可以运算

m = torch.arange(24).reshape((2,3,4))
n = torch.arange(24).reshape((2,3,4))
m+n

tensor([[[ 0,  2,  4,  6],
         [ 8, 10, 12, 14],
         [16, 18, 20, 22]],

        [[24, 26, 28, 30],
         [32, 34, 36, 38],
         [40, 42, 44, 46]]])

m = torch.arange(24).reshape((2,3,4))
n = torch.arange(36).reshape((3,3,4))
m+n

---------------------------------------------------------------------------

RuntimeError                              Traceback (most recent call last)

Cell In [57], line 3
      1 m = torch.arange(24).reshape((2,3,4))
      2 n = torch.arange(36).reshape((3,3,4))
----> 3 m+n


RuntimeError: The size of tensor a (2) must match the size of tensor b (3) at non-singleton dimension 0

m = torch.arange(24).reshape((2,3,4))
n = torch.arange(45).reshape((3,3,5))
m+n

---------------------------------------------------------------------------

RuntimeError                              Traceback (most recent call last)

Cell In [58], line 3
      1 m = torch.arange(24).reshape((2,3,4))
      2 n = torch.arange(45).reshape((3,3,5))
----> 3 m+n


RuntimeError: The size of tensor a (4) must match the size of tensor b (5) at non-singleton dimension 2