PyTorch基础知识(超基础)_pytorch框架

一、PyTorch框架介绍

PyTorch是在2017年1月由Facebook推出的。它是经典机器学习库Torch框架的一个端口，主要编程语言为python。PyTorch“曾经”的优点是动态图，现在的优点是开源代码和开源社区。

PyTorch是一个年轻的框架。2017年1月28日，PyTorch 0.1版本正式发布，这是Facebook公司在机器学习和科学计算工具Torch的基础上，针对Python语言发布的全新的深度学习工具包。PyTorch类似NumPy，并且支持GPU，有着更高级而又易用的功能，可以用来快捷地构建和训练深度神经网络。一经发布，PyTorch便受到深度学习和开发者们广泛关注和讨论。经过一年多的发展，目前PyTorch已经成为机器学习和深度学习者重要的研究和开发工具之一。

二、tensor(张量)的属性

张量是PyTorch里的基本运算单位，与numpy的ndarray相同都表示一个多维的矩阵。与ndarray最大的区别在于Tensor能使用GPU加速，而ndarray只能用在CPU上。

1、导入torch库

import torch
 
a = torch.tensor([1,2,3],dtype=int)
b = torch.tensor([4,5,6],dtype=float)
print(a)
print(a.dtype) 
print(b)
//结果
//tensor([1, 2, 3])
//torch.int64   64位的int类型
//tensor([4., 5., 6.], dtype=torch.float64)

2、数据的维度

tensor = torch.tensor([[1,2,3],[4,5,6]])
print(tensor.ndim)
//结果
//2

3、数据的形状

tensor = torch.tensor([[1,2,3],[4,5,6]])
print(tensor.shape)
print(tensor.size())
//结果
//torch.Size([2, 3])
//torch.Size([2, 3])

4、基础运算

sample = torch.rand(3, 2)
print(sample)
 
# 求总和
print(torch.sum(sample))
 
# 求最小值
print(torch.min(sample))
 
# 求最小值所在的位置(索引)
print(torch.argmin(sample))
 
# 求最大值所在的位置(索引)
print(torch.argmax(sample))
 
# 求平均值
print(torch.mean(sample))
 
# 求中位数
print(torch.median(sample))
 
# 求开方
print(torch.sqrt(sample))
 
# 求平方
print(sample ** 2)
//结果
tensor([[0.9740, 0.4381],
        [0.9116, 0.7061],
        [0.9465, 0.0322]])
tensor(4.0085)
tensor(0.0322)
tensor(5)
tensor(0)
tensor(0.6681)
tensor(0.7061)
tensor([[0.9869, 0.6619],
        [0.9548, 0.8403],
        [0.9729, 0.1793]])
tensor([[0.9487, 0.1919],
        [0.8310, 0.4986],
        [0.8960, 0.0010]])

三、数据生成

1、生成数据集

import torch
 
a = torch.tensor([1,2,3],dtype=int)
b = torch.tensor([4,5,6],dtype=float)
print(a)
print(a.dtype) 
print(b)
//结果
//tensor([1, 2, 3])
//torch.int64   64位的int类型
//tensor([4., 5., 6.], dtype=torch.float64)

2、读取数据集

def load_array(data_arrays, batch_size, is_train=True):  #@save
    # 构造一个PyTorch数据迭代器
    # torch.utils.data.TensorDataset(Dataset)：包装数据和目标张量的数据集，直接传入张量参数即可(*tensor)
    # 该类通过每一个 tensor 的第一个维度进行索引。因此，该类中的 tensor 第一维度必须相等。
    dataset = data.TensorDataset(*data_arrays)
    
    # 通过DataLoader类从dataset中选取数据，每次读取大小为batch_size
    return data.DataLoader(dataset, batch_size, shuffle=is_train)
 
batch_size = 10
# 传入张量数组，返回一个可迭代的张量组
data_iter = load_array((features, labels), batch_size)