Pytorch（二）基本API及使用

初始化tensor，tensor的變換，隨機初始化乙個tensor，上下文管理器torch.no_grad()，不進行梯度傳播。

乘法中的廣播機制：對於兩個tensor，肯定是維度少的那個是broadcast矩陣。比如最後乙個，比如常見，乙個維度是[10, 3, 4] 的矩陣，乘以乙個[4, 5]的矩陣，其實是後者進行了廣播，[1, 4, 5]，對前者,相當於是有10個3x4的矩陣，每個矩陣乘了乙個[4, 5]的矩陣，得到[3,5]的矩陣。

回想tensorflow中的tf.matmul()函式也是廣播的。

>>
>
# vector x vector 一維乘以一維的向量：對應元素相乘再相加，得到標量
>>
> tensor1 = torch.randn(3)
>>
> tensor2 = torch.randn(3)
>>
> torch.matmul(tensor1, tensor2).size(
)torch.size(
)>>
>
# matrix x vector
>>
> tensor1 = torch.randn(3, 4)
>>
> tensor2 = torch.randn(4)
>>
> torch.matmul(tensor1, tensor2).size(
)torch.size(
[3])
>>
>
# batched matrix x broadcasted vector
>>
> tensor1 = torch.randn(10, 3, 4)
>>
> tensor2 = torch.randn(4)
>>
> torch.matmul(tensor1, tensor2).size(
)torch.size(
[10, 3]
)>>
>
# batched matrix x batched matrix
>>
> tensor1 = torch.randn(10, 3, 4)
>>
> tensor2 = torch.randn(10, 4, 5)
>>
> torch.matmul(tensor1, tensor2).size(
)torch.size(
[10, 3, 5]
)>>
>
# batched matrix x broadcasted matrix
>>
> tensor1 = torch.randn(10, 3, 4)
>>
> tensor2 = torch.randn(4, 5)
>>
> torch.matmul(tensor1, tensor2).size(
)torch.size(
[10, 3, 5]
)

torch.squeeze()與torch.unsqueenze()的用法：

squeeze的用法主要就是對資料的維度進行壓縮或者解壓。

先看torch.squeeze() 這個函式主要對資料的維度進行壓縮，去掉維數為1的的維度，比如是一行或者一列這種，乙個一行三列（1,3）的數去掉第乙個維數為一的維度之後就變成（3）行。squeeze(a)就是將a中所有為1的維度刪掉。不為1的維度沒有影響。a.squeeze(n) 就是去掉a中指定的維數為一的維度。還有一種形式就是b=torch.squeeze(a，n) a中去掉指定的定的維數為一的維度。

再看torch.unsqueeze()這個函式主要是對資料維度進行擴充。給指定位置加上維數為一的維度，比如原本有個三行的資料（3），在0的位置加了一維就變成一行三列（1,3）。a.squeeze(n) 就是在a中指定位置n加上乙個維數為1的維度。還有一種形式就是b=torch.squeeze(a，n) a就是在a中指定位置n加上乙個維數為1的維度

這個包主要包括了神經網路的各個層的實現

把torch.nn包轉化為函式

優化器，都在這個包裡。在初始化乙個優化器的時候需要傳入需要訓練的引數。並且所有的optimizer都實現了乙個step()方法來更新引數。

optimizer還有乙個引數是clousure，用來重新計算梯度。

乙個官方的例子：

# -*- coding: utf-8 -*-
import torch
import random
class
dynamicnet
(torch.nn.module)
:def
__init__
(self, d_in, h, d_out)
:super
(dynamicnet, self)
.__init__(
)        self.input_linear = torch.nn.linear(d_in, h)
self.middle_linear = torch.nn.linear(h, h)
self.out_linear = torch.nn.linear(h, d_out)
defforward
(self, x)
-> torch.tensor:
h_relu = self.input_linear(x)
.clamp(
min=0)
# 每次迭代時加入的不定層數的relu後，學習速率變慢了
for _ in
range
(random.randint(0,
3)):
h_relu = self.middle_linear(h_relu)
y_pred = self.out_linear(h_relu)
return y_pred
n, d_in, h, d_out =64,
1000
,100,10
x = torch.randn(n, d_in)
y = torch.randn(n, d_out)
learning_rate =1e-
4model = dynamicnet(d_in, h, d_out)
criterion = torch.nn.mseloss(reduction=
'sum'
)optimizer = torch.optim.sgd(model.parameters(
), lr=learning_rate)
for t in
range
(500):
# forward pass
y_pred = model(x)
loss = criterion(y_pred, y)
if t %
100==0:
print
(t, loss.item())
# zero gradient, backward, update weights
optimizer.zero_grad(
)# backward是為了計算梯度，在計算梯度之前清空optimizer存放的上一步的梯度
loss.backward(
)    optimizer.step(
)

Pytorch（二）基本API及使用

PyTorch基本用法二 Variable

vector容器介紹及基本API

CentOS使用記錄（二） Nginx的基本使用

Pytorch（二）基本API及使用

PyTorch基本用法 二 Variable

vector容器介紹及基本API

CentOS使用記錄（二） Nginx的基本使用

相關推薦

PyTorch基本用法二 Variable