Pytorch入門演練
作者 | 磐石
編輯 | 安可
出品 | 磐創AI技術團隊
【引言】Pytorch是一個基於Python的科學計算軟體包，有以下兩種定位：
- 可以使用多GPU加速的NumPy替代品
- 提供最大限度靈活性與速度的深度學習研究平台
一、入門
1.Tensors（張量）
Tensors（張量）類似於NumPy中的ndarray，另外它還可以使用GPU加速計算。
from__future__import print_function
importtorch
構造一個未初始化的5x3矩陣：
x = torch.empty(5, 3)
print(x)
輸出：
tensor([[-9.0198e-17, 4.5633e-41, -2.9021e-15],
[ 4.5633e-41, 0.0000e+00, 0.0000e+00],
[ 0.0000e+00, 0.0000e+00, 0.0000e+00],
[ 0.0000e+00, 0.0000e+00, 0.0000e+00],
[ 0.0000e+00, 0.0000e+00, 0.0000e+00]])
構造一個隨機初始化的矩陣：
x = torch.rand(5, 3)
print(x)
輸出：
tensor([[0.1525, 0.7689, 0.5664],
[0.7688, 0.0039, 0.4129],
[0.9979, 0.3479, 0.2767],
[0.9580, 0.9492, 0.6265],
[0.2716, 0.6627, 0.3248]])
構造一個使用零填充、數據類型為long（長整型）的5X3矩陣：
x = torch.zeros(5, 3, dtype=torch.long)
print(x)
輸出：
tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
直接用一組數據構造Tensor（張量）：
x = torch.tensor([5.5, 3])
print(x)
輸出：
tensor([5.5000, 3.0000])
或者根據現有的Tensor（張量）創建新的Tensor（張量）。除非用戶提供新值，否則這些方法將重用輸入張量的屬性，例如dtype：
x = x.new_ones(5, 3, dtype=torch.double) # 使用new_* 方法設定維度
print(x)
x = torch.randn_like(x, dtype=torch.float) # 重新設定數據類型
Print(x) # 結果維度不變
輸出：
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
tensor([[ 0.4228, 0.3279, 0.6367],
[ 0.9233, -0.5232, -0.6494],
[-0.1946, 1.7199, -0.1954],
[ 0.1222, 0.7204, -1.3328],
[ 0.1230, -0.5800, 0.4562]])
輸出它的大小：
print(x.size())
輸出：
torch.Size([5, 3])
【注意：torch.Size 實際上是一個元組，因此它支持所有元組操作。】
2. 運算
Tensor運算有多種語法。在下面的示例中，我們將先示例加法運算。
加法運算：語法1
y = torch.rand(5, 3)
print(x + y)
輸出：
tensor([[ 0.0732, 0.9384, -0.2489],
[-0.6905, 2.1267, 3.0045],
[ 0.6199, 0.4936, -0.0398],
[-2.0623, -0.5140, 1.6162],
[ 0.3189, -0.0327, -0.5353]])
加法運算：語法2
print(torch.add(x, y))
輸出：
tensor([[ 0.0732, 0.9384, -0.2489],
[-0.6905, 2.1267, 3.0045],
[ 0.6199, 0.4936, -0.0398],
[-2.0623, -0.5140, 1.6162],
[ 0.3189, -0.0327, -0.5353]])
加法運算：使用輸出Tensor（張量）作為參數
result = torch.empty(5, 3)
torch.add(x, y, out=result)
print(result)
輸出：
tensor([[ 0.0732, 0.9384, -0.2489],
[-0.6905, 2.1267, 3.0045],
[ 0.6199, 0.4936, -0.0398],
[-2.0623, -0.5140, 1.6162],
[ 0.3189, -0.0327, -0.5353]])
加法運算：內聯接
# adds x to y
y.add_(x)
print(y)
輸出：
tensor([[ 0.0732, 0.9384, -0.2489],
[-0.6905, 2.1267, 3.0045],
[ 0.6199, 0.4936, -0.0398],
[-2.0623, -0.5140, 1.6162],
[ 0.3189, -0.0327, -0.5353]])
【注意：任何改變原張量實現內聯接的操作都是通過在後邊加_ 實現的。例如：x.copy_(y)，x.t_()，將將改變x的值。】
你可以像在NumPy中一樣使用索引及其他所有華麗的功能。
print(x[:, 1])
輸出：
tensor([ 0.3279, -0.5232, 1.7199, 0.7204, -0.5800])
Resizing（調整大小）：如果要resize/reshape張量，可以使用torch.view：
x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8) # -1是推斷出來的
print(x.size(), y.size(), z.size())
輸出：
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
如果你有隻含一個元素的張量，可以用.item()獲取它的值作為Python數值
x = torch.randn(1)
print(x)
print(x.item())
輸出：
tensor([0.1550])
0.15495021641254425
【延伸閱讀：100+張量操作，包括置換，索引，切片，數學運算，線性代數，隨機數等等，被詳細描述在這裡
（https://pytorch.org/docs/torch）。】
二、NUMPY橋接器
將Torch Tensor轉換為NumPy array是一件輕而易舉的事（反之亦然）。Torch Tensor和NumPyarray共享其底層內存位置，更改一個將改變另一個。
1.將Torch Tensor轉換為NumPy array
a = torch.ones(5)
print(a)
輸出：
tensor([1., 1., 1., 1., 1.])
b = a.numpy()
print(b)
輸出：
[1. 1. 1. 1. 1.]
了解numpyarray的值如何變化。
a.add_(1)
print(a)
print(b)
輸出：
tensor([2., 2., 2., 2., 2.])
[2. 2. 2. 2. 2.]
2. 將NumPy array轉換為Torch Tensor
了解如何自動地將np array更改為Torch Tensor
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)
輸出：
[2. 2. 2. 2. 2.]
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
除了Char（字元型）Tensor之外，CPU上的所有Tensors都支持轉換為NumPy及返回。
三、CUDA TENSORS（張量）
可以使用.to方法將張量移動到任何設備上。
# 僅當CUDA可用的情況下運行這個cell
# 我們用 ``torch.device`` 對象實現tensors在GPU上的寫入與讀出if torch.cuda.is_available():
device = torch.device("cuda") # 一個 CUDA 終端對象
y = torch.ones_like(x, device=device) # 直接在GUP上創建Tensor
x = x.to(device) # 或者直接使用字元串`.to("cuda")``
z = x + y
print(z)
print(z.to("cpu", torch.double)) # `.to`` 也可以改變對象數據類型
輸出：
tensor([2.4519], device=cuda:0)
tensor([2.4519], dtype=torch.float64)
腳本總運行時間：（0分6.338秒）
【寫在最後】：學習更多的機器學習、深度學習乾貨知識，請關注我們的微信公眾號：磐創AI。
推薦閱讀：
