PyTorch 最基礎(chǔ)知識(shí)

姓名:張慶慶

學(xué)號(hào):19021211151

嵌牛導(dǎo)讀:PyTorch作為深度學(xué)習(xí)的一種重要架構(gòu)很值得相關(guān)從業(yè)及技術(shù)人員學(xué)習(xí)

?嵌牛鼻子:PyTorch

嵌牛提問:什么是PyTorch,PyTorch的學(xué)習(xí)要點(diǎn)

轉(zhuǎn)載源:PyTorch 最基礎(chǔ)知識(shí) - 簡書

嵌牛正文:

Pytorch背景知識(shí)其實(shí)挺龐大的,可以從它主業(yè)doc介紹就能看出來,每一個(gè)函數(shù)參數(shù)非常的多趟卸。以后如果精力允許迹栓,可以滿滿研究明白一個(gè)寫一個(gè)褥琐。下邊是針對(duì)最基礎(chǔ)的一些內(nèi)容的特別精要的一些整理鸥诽。

官網(wǎng):

使用方:facebook? twitter nvidia

優(yōu)點(diǎn):GPU運(yùn)算、tensor可代替numpy狂打、構(gòu)建自動(dòng)求導(dǎo)神經(jīng)網(wǎng)絡(luò)、python優(yōu)先混弥、命令式體驗(yàn)趴乡、快速輕巧

tensor:基本單元,一種張量

常用的形式(點(diǎn)擊查看官網(wǎng)內(nèi)的詳細(xì)劃分)

torch.floattensor

torch.longtensor

學(xué)習(xí)內(nèi)容點(diǎn):

pytorch的tensor 于numpy 的tensor相互轉(zhuǎn)換

需要注意 GPU 上的 Tensor 不能直接轉(zhuǎn)換為 NumPy ndarray蝗拿,需要使用.cpu()先將 GPU 上的 Tensor 轉(zhuǎn)到 CPU 上

注意左邊變量名與右邊操作名的區(qū)別

可以放在不同的GPU的方法

從GPU換回CPU的方法晾捏,尤其用numpy時(shí)要轉(zhuǎn)到CPU

為啥要從torch轉(zhuǎn)到numpy呢?因?yàn)閠orch數(shù)學(xué)運(yùn)算方式少于np;numpy計(jì)算能力更牛逼一些蛹磺;

tensor 操作分為兩種粟瞬,一種是數(shù)學(xué)運(yùn)算,一種是高級(jí)操作萤捆;

x = torch.ones(2, 2)

x = torch.ones(4, 4).float()

x[1:3, 1:3] = 2 #換元素

z = torch.add(x, y) 或z=x+y

x = torch.randn(4, 3)

sum_x = torch.sum(x, dim=1) # 沿著行對(duì) x 求和

x = x.squeeze(0) # 減少第一維

x = torch.randn(3, 4, 5)

x = x.permute(1, 0, 2)

x.size()

x.shape

x = x.view(-1, 5) # 變化緯度

max_value, max_idx = torch.max(x, dim=1) #沿著行

sum_x = torch.sum(x, dim=1) # 沿著行

print(x,x.type())

Variable

from torch.autograd import Variable #變量引入

x = Variable(x_tensor, requires_grad=True) # 如何包起來

求 x 和 y 的梯度

x = Variable(x_tensor, requires_grad=True)

z=(x+2)**2

z.backward()

print(x.grad)

靜態(tài)圖動(dòng)態(tài)圖(可見網(wǎng)盤朱庇特筆記)

靜態(tài)圖先定義計(jì)算圖(模型)不斷使用這個(gè)模型裙品,每次使用不需要重新定義

debug難

運(yùn)行快

動(dòng)態(tài)圖每次構(gòu)建生成模型

debug方便

運(yùn)行慢

在深度學(xué)習(xí)方面,有著很多的計(jì)算推導(dǎo)過程俗或,如果你是大學(xué)生或者剛剛考研結(jié)束的朋友市怎,這些數(shù)學(xué)問題不是問題。但是如果長期不用已經(jīng)遺忘辛慰,但又想明白其背后的數(shù)學(xué)理論依據(jù)区匠,可以先查看一下下邊這三個(gè)鏈接。

求導(dǎo)公式復(fù)習(xí)

矩陣乘法復(fù)習(xí)

希臘字母表

嵌潘щ纾總結(jié):PyTorch作為深度學(xué)習(xí)的一個(gè)重要架構(gòu)驰弄,包含很多數(shù)學(xué)知識(shí),這里介紹的是他最基礎(chǔ)的一些知識(shí)速客,有興趣的可以去官網(wǎng)了解其更深入的知識(shí)戚篙。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市溺职,隨后出現(xiàn)的幾起案子岔擂,更是在濱河造成了極大的恐慌位喂,老刑警劉巖,帶你破解...
    沈念sama閱讀 211,042評(píng)論 6 490
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件乱灵,死亡現(xiàn)場(chǎng)離奇詭異塑崖,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī)痛倚,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 89,996評(píng)論 2 384
  • 文/潘曉璐 我一進(jìn)店門规婆,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人状原,你說我怎么就攤上這事聋呢。” “怎么了颠区?”我有些...
    開封第一講書人閱讀 156,674評(píng)論 0 345
  • 文/不壞的土叔 我叫張陵削锰,是天一觀的道長。 經(jīng)常有香客問我毕莱,道長器贩,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 56,340評(píng)論 1 283
  • 正文 為了忘掉前任朋截,我火速辦了婚禮蛹稍,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘部服。我一直安慰自己唆姐,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,404評(píng)論 5 384
  • 文/花漫 我一把揭開白布廓八。 她就那樣靜靜地躺著奉芦,像睡著了一般。 火紅的嫁衣襯著肌膚如雪剧蹂。 梳的紋絲不亂的頭發(fā)上声功,一...
    開封第一講書人閱讀 49,749評(píng)論 1 289
  • 那天,我揣著相機(jī)與錄音宠叼,去河邊找鬼先巴。 笑死,一個(gè)胖子當(dāng)著我的面吹牛冒冬,可吹牛的內(nèi)容都是我干的伸蚯。 我是一名探鬼主播,決...
    沈念sama閱讀 38,902評(píng)論 3 405
  • 文/蒼蘭香墨 我猛地睜開眼简烤,長吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼剂邮!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起乐埠,我...
    開封第一講書人閱讀 37,662評(píng)論 0 266
  • 序言:老撾萬榮一對(duì)情侶失蹤抗斤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個(gè)月后丈咐,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體瑞眼,經(jīng)...
    沈念sama閱讀 44,110評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,451評(píng)論 2 325
  • 正文 我和宋清朗相戀三年棵逊,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了伤疙。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 38,577評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡辆影,死狀恐怖徒像,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情蛙讥,我是刑警寧澤锯蛀,帶...
    沈念sama閱讀 34,258評(píng)論 4 328
  • 正文 年R本政府宣布,位于F島的核電站次慢,受9級(jí)特大地震影響旁涤,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜迫像,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,848評(píng)論 3 312
  • 文/蒙蒙 一劈愚、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧闻妓,春花似錦菌羽、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,726評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至犁功,卻和暖如春氓轰,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背浸卦。 一陣腳步聲響...
    開封第一講書人閱讀 31,952評(píng)論 1 264
  • 我被黑心中介騙來泰國打工署鸡, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人限嫌。 一個(gè)月前我還...
    沈念sama閱讀 46,271評(píng)論 2 360
  • 正文 我出身青樓靴庆,卻偏偏與公主長得像,于是被迫代替她去往敵國和親怒医。 傳聞我的和親對(duì)象是個(gè)殘疾皇子炉抒,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,452評(píng)論 2 348

推薦閱讀更多精彩內(nèi)容

  • 概述 在新版本中,PyTorch引入了許多令人興奮的新特性稚叹,主要的更新在于 Variable和Tensor的合并 ...
    古de莫寧閱讀 6,133評(píng)論 0 1
  • 介紹 相比TensorFlow的靜態(tài)圖開發(fā)焰薄,Pytorch的動(dòng)態(tài)圖特性使得開發(fā)起來更加人性化拿诸,選擇Pytorch的...
    dawsonenjoy閱讀 24,907評(píng)論 2 18
  • 通過靜態(tài)工廠方法創(chuàng)建 Bean 調(diào)用靜態(tài)工廠方法創(chuàng)建 Bean 是將對(duì)象創(chuàng)建的過程封裝到靜態(tài)方法中;當(dāng)客戶端需要對(duì)...
    極客_Ls閱讀 131評(píng)論 0 0
  • 一條鎖鏈從深淵某處伸出地面 像利爪似的狠狠地鎖住每個(gè)人的心 你毫不畏懼地向前奔跑塞茅,企圖擺脫它的束縛 一切都還來得及...
    昆悠閱讀 165評(píng)論 1 7
  • 死亡雖是團(tuán)大迷霧亩码,但有兩件事情是明確的:其一,我們總有一天會(huì)死野瘦;其二描沟,我們不知何時(shí)或如何死,而我們就把它當(dāng)做借口鞭光,...
    春耕部落閱讀 1,714評(píng)論 20 43