【深度之眼】【Pytorch打卡第1天】：PyTorch简介及环境配置；PyTorch基础数据结构—张量

目录

参考：百度云盘的课程Pytorch的PDF课件～ 一、学习路径二、安装三、张量的概念：多维数组四、张量的创建4.1 直接创建4.2 依据数值创建4.3 依概率分布创建张量 五、总结

参考：百度云盘的课程Pytorch的PDF课件～

一、学习路径

---

二、安装

1）验证成功

>>> import torch >>> a=torch.ones(2,2) >>> a tensor([[1., 1.], [1., 1.]]) >>> 查看pytorch版本 print ("hello pytorch {}".format(torch.__version__))

3）查看是否支持GPU

print (torch.cuda.is_available())

---

三、张量的概念：多维数组

Tensor与Variable

–Variable：主要用于封装Tensor，进行自动求导 –data：被封装的Tensor –grad：data的梯度 –grad_fn：创建Tensor的Function，是自动求导的关键 –requires_grad：指示是否需要梯度 –is_leaf：指示是否是叶子

从Pytorch0.4.0版本开始，Variable并入Tensor –dtype: 张量的数据类型，三大类，共9种。torch.FloatTensor, torch.cuda.FloatTensor –shape: 张量的形状。如：（64，3，224，224） –decive: 所在设备

---

四、张量的创建

4.1 直接创建

1）

torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)

2） 从numpy创建tensor : torch.from_numpy(ndarray) 注意：共享内容

import torch import numpy as np arr = np.array([[1, 2, 3], [4, 5, 6]]) t = torch.from_numpy(arr) t[0, 0] = -1 print(arr) print(t)

4.2 依据数值创建

1）torch.zeros()：按照size创建全0张量

torch.zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) torch.zeros_like() torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False) torch.ones()torch.ones_like()torch.full()torch.full_like()torch.arange()，创建等差数列，区间：[start, end) t = torch.arange(start=0, end=100, step=1, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) torch.linspace()，创建均分数列，区间：[start, end] 注意：step是步长；steps是长度 t = torch.linspace(start=0, end=100, steps=5, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

9）torch.logspace()，创建对数均分的1维张量 注意：长度steps，底是base默认为10

t = torch.logspace(start=0, end=100, steps=5, base=10, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

10） torch.eye()，创建单位对角矩阵（2维张量） n: 矩阵行数； m：矩阵列

4.3 依概率分布创建张量

1）torch.normal()：生成正太分布, 高斯分布 四种模式：mean和std各为标量和张量

torch.normal(mean, std, out=None) torch.normal(mean, std, size, out=None)

2）torch.randn() 3) torch.randn_like(), 生成标准正态分布 注意：size指的是张量的形状

torch.randn(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

4）torch.rand() 5) torch.rand_like() , 在区间[0, 1]上，生成均匀分布

6）torch.randint() 7) torch.randint_like()，在[low, high）生成整数均匀分布

8）torch.randperm(), 生成从0–n-1的随机排列 9）torch.bernoulli()，生成伯努利分布

---

五、总结