【黑马程序员自然语言处理实战课程】学习笔记---pytorch基础知识和autograd_自然语言处理 黑马

目录

1.1什么是pytorch

 1.2pytorch基础语法

 1.3pytorch基本运算

1.4关于torch tensor和numpy array之间的相互转换

2.1autograd基础概念

2.2 关于tensor操作 

---

1.1什么是pytorch

pytorch是一个基于Numpy的科学计算包，向他的使用者提供两大功能

• 作为numpy的替代者，向用户提供GPU强大功能的能力；
• 作为一款深度学习的平台，向用户提供最大的灵活性和速度

pytorch基本元素操作：

• tensor张量：类似于numpy中的ndarray数据结构，最大区别在于tensor可以利用GPU的加速功能。
• 需要先将torch引用进来

  from __future__ import print_function
  import torch
  

 1.2pytorch基础语法

•  创建一个没有初始化的矩阵

x = torch.empty(5,3)
print(x)

• 创建一个有初始化的矩阵

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

   注意：对比有无初始化矩阵：当声明一个未初始化的矩阵时，它本身不包含任何确切的值，当创建一个未初始化的矩阵时，分配给矩阵的内存中有什么数值就赋值给这个矩阵，本质上是毫无意义的数据

• 创建一个全零 矩阵并可指定数据元素的类型为long

  z=torch.zeros(5,3,dtype=torch.long)
  print(z)
  

• 直接通过数据创建张量

a=torch.tensor([2.5,3.5])
print(a)

•  通过已有的一个张量创建相同尺寸的张量

 1.3pytorch基本运算

• 加法操作

# 第一种加法
x=torch.rand(5,3)
y=torch.rand(5,3)
print(x+y)
print('*********************')
# 第二种加法
print(torch.add(x,y))
print('*********************')
# 第三种加法
# 提前设定一个空张量
result=torch.empty(5,3)
# 将空的张量作为加法的结果存储张量
torch.add(x,y,out=result)
print(result)
print('*********************')
# 第四种加法
y.add_(x)
print(y)

注意：所有in-place的操作函数都有一个下划线的后缀；比如：x.copy_(y)x,x.add_(y),都会直接改变x的值。

• 用类似numpy方式进行张量积算

x=torch.empty(5,3)
print(x[:,:3])

• 改变张量的形状：torch.view()

x=torch.randn(4,4)
# tensor.view()操作需要保证数据元素的总数量不变
y=x.view(16)
# -1代表自动匹配个数
z=x.view(-1,8)
print(x.size(),y.size(),z.size())

• 如果张量中只有一个元素，可以用.item()值取出，作为一个python number

x=torch.randn(1)
print(x)
print(x.item())

1.4关于torch tensor和numpy array之间的相互转换

• torch tensor和numpy array共享底层的内存空间，因此改变其中一个值，另一个也随之被改变。

a=torch.ones(5)
print(a)
#将torch tensor转换成numpy array
b=a.numpy()
print(b)
# 对其中一个做加法操作,另一个随之改变
a.add_(1)
print(a)
print(b)

• 将numpy转化为torch

import numpy as np
a=np.ones(5)
b=torch.from_numpy(a)
np.add(a,1,out=a)
print(a)
print(b)

注意：所有的CPU上的tensors，除了CharTensor，都可以转换成numpy array 并可以反向转换

关于Cuda tensor：Tensor可以用.to()方法来将其移动到任意设备上

import torch
x=torch.randn(4,4)
# 如果服务器已经安装了cuda
if torch.cuda.is_available():
    # 定义一个设备对象,这里指定成CUDA,即使用GPU
    device=torch.device("cuda")
    # 直接在GPU上创建一个Tensor
    y=torch.ones_like(x,device=device)
    # 将在CPU上的x张量移动到GPU上?
    x=torch.to(device)
    # x和y都在GPU上,才能支持加法运算
    z=x+y
    print(z)
    # 也可以将z转移到CPU上面,并同时指定张量元素的数据类型
    print(z.to("cpu",torch.double))

小节总结：

基本元素操作：

矩阵初始化：

• torch.empty()
• torch.rand(n,m)
• torch.zeros(n,m,dtype=torch.long)

其他若干操作：

• x.new_ones(n,m,dtype=torch.double)
• torch.randn_like(x,dtype=torch.float)
• x.size()

加法操作：

• x+y
• torch.add(x,y)
• torch.add(x,y,out=result)
• y.add_(x)

其他若干操作：

• x.view()
• x.item()

相互转换：

• b=a.numpy()
• b=torch.from_numpy(a)

移动到任意设备之上：

• x=x.to(device)

2.1autograd基础概念

在pytorch框架中，所有神经网络本质上都是autograd package（自动求导工具包）

提供一个对tensor上所有操作自动微分的功能

2.2 关于tensor操作 

import torch
x=torch.ones(3,3)
print(x)
y=torch.ones(2,2,requires_grad=True)
print(y)
 
# 在具有requires_grad=True的tensor上执行一个加法操作。
z=y+2
print(z)
# 打印tensor的grad_fn属性
print(x.grad_fn)
print(y.grad_fn)

在tensor执行更复杂的操作：

z=y*y*3
out=z.mean()
print(z,out)

关于require_grad_():该方法可以原地改变tensor的属性，requires_grad的值，如果没有主动设定默认为False.

a=torch.randn(2,2)
a=((a*3)/(a-1))
print(a.requires_grad)
a.requires_grad_(True)
print(a.requires_grad)
b=(a*a).sum()
print(b.grad_fn)

2.3 关于梯度Gradients

在python中，反向传播是依靠.backward()实现的

out.backward()
print(x.grad)

关于自动求导的属性设置：可以通过设置.requires_grad=True来执行自动求导，也可以通过代码块的限制来停止自动求导。

print(x.requires_grad)
print((x**2).requires_grad)
with torch.no_grad():
    print((x**2).requires_grad)

还可以通过.detach()获得一个新的tensor，拥有相同的内容但不需要自动求导

print(x.requires_grad)
y=x.detach()
print(y.requires_grad)
print(x.eq(y).all())