pytorch入門

一己英、入門操作

1、創(chuàng)一個tensor矩陣

x = torch.rand(5, 3)
x
out:
tensor([[0.5051, 0.7017, 0.0170],
        [0.1441, 0.2476, 0.5710],
        [0.0452, 0.8690, 0.2387],
        [0.5709, 0.0098, 0.6993],
        [0.3203, 0.5124, 0.1010]])

創(chuàng)建好后可以直接打印吴旋,要比tensorflow好用太多

2损肛、矩陣大小

這跟numpy略有區(qū)別,numpy是shape

pytorch是size

x.size()

out:
torch.Size([5, 3])

3荣瑟、簡單計算

x=torch.rand(5,3)
y=torch.rand(5,3)

x
tensor([[0.5051, 0.7017, 0.0170],
        [0.1441, 0.2476, 0.5710],
        [0.0452, 0.8690, 0.2387],
        [0.5709, 0.0098, 0.6993],
        [0.3203, 0.5124, 0.1010]])
y
tensor([[0.6415, 0.5819, 0.3311],
        [0.0086, 0.4336, 0.5773],
        [0.3360, 0.5421, 0.1845],
        [0.4490, 0.1557, 0.5100],
        [0.0162, 0.5474, 0.3124]])
add=x + y #add=torch.add(x, y)
print(add)

out:
tensor([[1.1466, 1.2836, 0.3481],
        [0.1527, 0.6813, 1.1483],
        [0.3812, 1.4111, 0.4232],
        [1.0199, 0.1655, 1.2094],
        [0.3364, 1.0598, 0.4134]])

4治拿、與Numpy的協(xié)同操作

tensor--numpy

a = torch.ones(5)
a
b = a.numpy()
b
out:
a:tensor([1., 1., 1., 1., 1.])
b:array([1., 1., 1., 1., 1.], dtype=float32)

numpy-- tensor

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
b

tensor([1., 1., 1., 1., 1.], dtype=torch.float64)

二、求導原理

先定義一個x

x = torch.randn(3,4,requires_grad=True)
x
out:
tensor([[ 2.4921,  0.3292,  0.2324, -0.8859],
        [-1.3799,  1.6637, -0.5004, -0.4578],
        [-0.2573, -2.0164,  0.3258,  0.0283]], requires_grad=True)

我們看到這里多了一個參數(shù)requires_grad

所有的tensor都有.requires_grad屬性笆焰,默認為False劫谅,但是可以設置成自動求導。具體方法就是在定義tensor的時候嚷掠,讓這個屬性為True捏检,需要注意的是,要想使x支持求導不皆,必須讓x為浮點類型

我們繼續(xù)liner—regress

b = torch.randn(3,4,requires_grad=True)
b
tensor([[-0.2642,  0.3113,  0.0120, -1.3174],
        [ 0.1307,  1.8577,  0.0130,  0.3950],
        [-0.3580,  1.3666,  0.2026, -0.4438]], requires_grad=True)
t = 2*x*x + b
y = t.sum()
y

tensor(23.7106, grad_fn=<SumBackward0>)

  • PyTorch里面贯城,求導是調用.backward()方法。直接調用backward()方法霹娄,會計算對計算圖葉節(jié)點的導數(shù)能犯。

  • 獲取求得的導數(shù),用.grad方法犬耻。

y.backward()

x.requires_grad, b.requires_grad, t.requires_grad

(True, True, True)

image.gif

我們看到x,b,t的requires_grad都為True

x.grad

tensor([[ 9.9684,  1.3170,  0.9295, -3.5436],
        [-5.5196,  6.6548, -2.0017, -1.8311],
        [-1.0293, -8.0657,  1.3033,  0.1134]])
image.gif

因為y = 2x^2 + b, y對x求導為4x

所以x.grad=4x

關于求導的過程可以參考鏈式法則

image

需要注意的是:求導踩晶,只能是【標量】對標量,或者【標量】對向量/矩陣求導枕磁!

?著作權歸作者所有,轉載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末合瓢,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子透典,更是在濱河造成了極大的恐慌晴楔,老刑警劉巖顿苇,帶你破解...
    沈念sama閱讀 211,817評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異税弃,居然都是意外死亡纪岁,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,329評論 3 385
  • 文/潘曉璐 我一進店門则果,熙熙樓的掌柜王于貴愁眉苦臉地迎上來幔翰,“玉大人,你說我怎么就攤上這事西壮∫旁觯” “怎么了?”我有些...
    開封第一講書人閱讀 157,354評論 0 348
  • 文/不壞的土叔 我叫張陵款青,是天一觀的道長做修。 經(jīng)常有香客問我,道長抡草,這世上最難降的妖魔是什么饰及? 我笑而不...
    開封第一講書人閱讀 56,498評論 1 284
  • 正文 為了忘掉前任,我火速辦了婚禮康震,結果婚禮上燎含,老公的妹妹穿的比我還像新娘。我一直安慰自己腿短,他們只是感情好屏箍,可當我...
    茶點故事閱讀 65,600評論 6 386
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著橘忱,像睡著了一般赴魁。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上鹦付,一...
    開封第一講書人閱讀 49,829評論 1 290
  • 那天,我揣著相機與錄音择卦,去河邊找鬼敲长。 笑死,一個胖子當著我的面吹牛秉继,可吹牛的內(nèi)容都是我干的祈噪。 我是一名探鬼主播,決...
    沈念sama閱讀 38,979評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼尚辑,長吁一口氣:“原來是場噩夢啊……” “哼辑鲤!你這毒婦竟也來了?” 一聲冷哼從身側響起杠茬,我...
    開封第一講書人閱讀 37,722評論 0 266
  • 序言:老撾萬榮一對情侶失蹤月褥,失蹤者是張志新(化名)和其女友劉穎弛随,沒想到半個月后,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體宁赤,經(jīng)...
    沈念sama閱讀 44,189評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡舀透,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...
    茶點故事閱讀 36,519評論 2 327
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了决左。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片愕够。...
    茶點故事閱讀 38,654評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖佛猛,靈堂內(nèi)的尸體忽然破棺而出惑芭,到底是詐尸還是另有隱情,我是刑警寧澤继找,帶...
    沈念sama閱讀 34,329評論 4 330
  • 正文 年R本政府宣布遂跟,位于F島的核電站,受9級特大地震影響码荔,放射性物質發(fā)生泄漏漩勤。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 39,940評論 3 313
  • 文/蒙蒙 一缩搅、第九天 我趴在偏房一處隱蔽的房頂上張望越败。 院中可真熱鬧,春花似錦硼瓣、人聲如沸究飞。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,762評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽亿傅。三九已至,卻和暖如春瘟栖,著一層夾襖步出監(jiān)牢的瞬間葵擎,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 31,993評論 1 266
  • 我被黑心中介騙來泰國打工半哟, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留酬滤,地道東北人。 一個月前我還...
    沈念sama閱讀 46,382評論 2 360
  • 正文 我出身青樓寓涨,卻偏偏與公主長得像盯串,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子戒良,可洞房花燭夜當晚...
    茶點故事閱讀 43,543評論 2 349

推薦閱讀更多精彩內(nèi)容