PyTorch入门笔记

2024年3月24日 167次阅读 来源: CoolKid

Tensor:

Tensor是PyTorch中重要的数据结构，可认为是一个高维数组，Tensor和Numpy的ndarrays类似，但Tensor可以使用GPU加速。Tensor和numpy对象共享内存，所以它们之间的转换很快，而且几乎不会消耗资源，这也意味着，如果其中一个变了，另一个也会随之改变。

import torch as t
x = t.Tensor(5,3)#只是分配了空间，没有初始化
x = t.rand(5,3)#使用[0,1]均匀分布随机初始化二维数组

Autograd：

深度学习的算法本质上是通过反向传播求导数，PyTorch的Autograd模块实现了此功能。在Tensor上的所有操作，Autograd都能为它们自动提供微分，避免手动计算导数的复杂过程。

autograd.Variable是Autograd中的核心类，它简单封装了Tensor，并支持几乎所有Tensor操作。Tensor在被封装为Variable之后，可以调用它的.backward实现反向传播，自动计算所有梯度。

Variable包含三个属性：data、grad、grad_fn

data:保存Variable所包含的Tensor

grad:保存data对应的梯度

grad_fn:指向一个function对象，这个Function用来反向传播计算输入的梯度

#使用Tensor新建一个Variable
from torch.autograd import Variable
x = Variable(t.ones(2,2),requires_grad = true)

torch.nn:

torch.nn是专门为神经网络设计的模块化接口，nn构建于Autograd之上，可用来定义和运行神经网络。nn.Module是nn中最重要的类，可以把它看做一个网络的封装，包含网络各层定义以及forward方法，调用forward(input)方法，可返回前向传播的结果。

import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):
    def __init__(self):
        # nn.Module子类的函数必须在构造函数中执行父类的构造函数
        # 下式等价于nn.Module.__init__(self)
        super(Net, self).__init__()
        
        # 卷积层 '1'表示输入图片为单通道, '6'表示输出通道数，'5'表示卷积核为5*5
        self.conv1 = nn.Conv2d(1, 6, 5) 
        # 卷积层
        self.conv2 = nn.Conv2d(6, 16, 5) 
        # 仿射层/全连接层，y = Wx + b
        self.fc1   = nn.Linear(16*5*5, 120) 
        self.fc2   = nn.Linear(120, 84)
        self.fc3   = nn.Linear(84, 10)

    def forward(self, x): 
        # 卷积 -> 激活 -> 池化 
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
        x = F.max_pool2d(F.relu(self.conv2(x)), 2) 
        # reshape，‘-1’表示自适应
        x = x.view(x.size()[0], -1) 
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)        
        return x

net = Net()
print(net)

    原文作者：CoolKid
    原文地址: https://zhuanlan.zhihu.com/p/34356682
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞