pytorch能做什么？_pytorch可以解决什么

GPU加速

在处理大数据时在cpu和gpu上分别进行矩阵运算

    import torch
    import time
    print(torch.__version__)
    print(torch.cuda.is_available())
    
    #俩矩阵
    a=torch.rand(10000,1000)
    b=torch.rand(1000,2000)
    
    #cpu测试时间
    t0=time.time()
    c=torch.matmul(a,b)
    t1=time.time()
    print(a.device,t1-t0,c.norm(2))
    
    #gpu测试时间
    device=torch.device('cuda')
    a=a.to(device)
    b=b.to(device)
    t0=time.time()
    c=torch.matmul(a,b)
    t1=time.time()
    print(a.device,t1-t0,c.norm(2))
    
    #再次测试
    t0=time.time()
    c=torch.matmul(a,b)
    t1=time.time()
    print(a.device,t1-t0,c.norm(2))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

可以发现第一次用cuda运行居然比cpu的要慢，但是第二次却快非常多。原因是第一遍需要进行gpu环境的初始化，是需要占用一些时间的。第二次就非常的真实。

自动求导

torch.tensor张量可看这篇：https://www.jianshu.com/p/5ae644748f21/

在机器学习中就是神经网络反向传播的时候要更新参数，这时需要对其求偏导，也就是“梯度”

    import torch
    from torch import autograd
    #对abcx分别初始化赋值
    x=torch.tensor(1.)
    a=torch.tensor(1.,requires_grad=True)
    b=torch.tensor(2.,requires_grad=True)
    c=torch.tensor(3.,requires_grad=True)
    
    y=a**2*x+b*x+c
    # 对a,b,c分别求偏导
    print('before:',a.grad,b.grad,c.grad)
    grads=autograd.grad(y,[a,b,c])
    print('after: ',grads[0],grads[1],grads[2])
1
2
3
4
5
6
7
8
9
10
11
12
13

运行结果可以发现在调用autograd之前并没有求导。

常用网络层