PyTorch基礎(chǔ)入門(mén)一：PyTorch基本數(shù)據(jù)類(lèi)型

1）Tensor(張量)

Pytorch里面處理的最基本的操作對(duì)象就是Tensor（張量），它表示的其實(shí)就是一個(gè)多維矩陣，并有矩陣相關(guān)的運(yùn)算操作。在使用上和numpy是對(duì)應(yīng)的，它和numpy唯一的不同就是，pytorch可以在GPU上運(yùn)行，而numpy不可以。所以，我們也可以使用Tensor來(lái)代替numpy的使用。當(dāng)然，二者也可以相互轉(zhuǎn)換。

Tensor的基本數(shù)據(jù)類(lèi)型有五種：

• 32位浮點(diǎn)型：torch.FloatTensor。pyorch.Tensor()默認(rèn)的就是這種類(lèi)型。
• 64位整型：torch.LongTensor。
• 32位整型：torch.IntTensor。
• 16位整型：torch.ShortTensor。
• 64位浮點(diǎn)型：torch.DoubleTensor。
  

那么如何定義Tensor張量呢？其實(shí)定義的方式和numpy一樣，直接傳入相應(yīng)的矩陣即可即可。下面就定義了一個(gè)三行兩列的矩陣：

import torch
# 導(dǎo)包
 
a = torch.Tensor([[1, 2], [3, 4], [5, 6]])
print(a)

不過(guò)在項(xiàng)目之中，更多的做法是以特殊值或者隨機(jī)值初始化一個(gè)矩陣，就像下面這樣：

import torch
 
# 定義一個(gè)3行2列的全為0的矩陣
b = torch.zeros((3, 2))
 
# 定義一個(gè)3行2列的隨機(jī)值矩陣
c = torch.randn((3, 2))
 
# 定義一個(gè)3行2列全為1的矩陣
d = torch.ones((3, 2))
 
print(b)
print(c)
print(d)

Tensor和numpy.ndarray之間還可以相互轉(zhuǎn)換，其方式如下：

• Numpy轉(zhuǎn)化為T(mén)ensor：torch.from_numpy(numpy矩陣)
• Tensor轉(zhuǎn)化為numpy：Tensor矩陣.numpy()
  

范例如下：

import torch
import numpy as np
 
# 定義一個(gè)3行2列的全為0的矩陣
b = torch.randn((3, 2))
 
# tensor轉(zhuǎn)化為numpy
numpy_b = b.numpy()
print(numpy_b)
 
# numpy轉(zhuǎn)化為tensor
numpy_e = np.array([[1, 2], [3, 4], [5, 6]])
torch_e = torch.from_numpy(numpy_e)
 
print(numpy_e)
print(torch_e)

之前說(shuō)過(guò)，numpy與Tensor最大的區(qū)別就是在對(duì)GPU的支持上。Tensor只需要調(diào)用cuda()函數(shù)就可以將其轉(zhuǎn)化為能在GPU上運(yùn)行的類(lèi)型。

我們可以通過(guò)torch.cuda.is_available()函數(shù)來(lái)判斷當(dāng)前的環(huán)境是否支持GPU，如果支持，則返回True。所以，為保險(xiǎn)起見(jiàn)，在項(xiàng)目代碼中一般采取“先判斷，后使用”的策略來(lái)保證代碼的正常運(yùn)行，其基本結(jié)構(gòu)如下：

import torch
 
# 定義一個(gè)3行2列的全為0的矩陣
tmp = torch.randn((3, 2))
 
# 如果支持GPU，則定義為GPU類(lèi)型
if torch.cuda.is_available():
  inputs = tmp.cuda()
# 否則，定義為一般的Tensor類(lèi)型
else:
  inputs = tmp

2）Variable(變量)

Pytorch里面的Variable類(lèi)型數(shù)據(jù)功能更加強(qiáng)大，相當(dāng)于是在Tensor外層套了一個(gè)殼子，這個(gè)殼子賦予了前向傳播，反向傳播，自動(dòng)求導(dǎo)等功能，在計(jì)算圖的構(gòu)建中起的很重要的作用。Variable的結(jié)構(gòu)圖如下：

其中最重要的兩個(gè)屬性是：data和grad。Data表示該變量保存的實(shí)際數(shù)據(jù)，通過(guò)該屬性可以訪問(wèn)到它所保存的原始張量類(lèi)型，而關(guān)于該 variable（變量）的梯度會(huì)被累計(jì)到.grad 上去。

在使用Variable的時(shí)候需要從torch.autograd中導(dǎo)入。下面通過(guò)一個(gè)例子來(lái)看一下它自動(dòng)求導(dǎo)的過(guò)程：

import torch
from torch.autograd import Variable
 
# 定義三個(gè)Variable變量
x = Variable(torch.Tensor([1, 2, 3]), requires_grad=True)
w = Variable(torch.Tensor([2, 3, 4]), requires_grad=True)
b = Variable(torch.Tensor([3, 4, 5]), requires_grad=True)
 
# 構(gòu)建計(jì)算圖，公式為：y = w * x^2 + b
y = w * x * x + b
 
# 自動(dòng)求導(dǎo)，計(jì)算梯度
y.backward(torch.Tensor([1, 1, 1]))
 
print(x.grad)
print(w.grad)
print(b.grad)

上述代碼的計(jì)算圖為y = w * x^2 + b。對(duì)x, w, b分別求偏導(dǎo)為：x.grad = 2wx，w.grad=x^2，b.grad=1。代值檢驗(yàn)可得計(jì)算結(jié)果是正確的。

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

最新評(píng)論