前言

PyTorch 是一個基于Torch框架的開源Python機器學習庫，用于NLP,CV等深度學習應用。它的開發人員是 Facebookd的人工智能小組，它不僅可以利用GPU加速，同時還實現了動態神經網絡，這點和現在流行的主流框架如TensorFlow不同。 PyTorch同時還有兩個高級功能： 張量計算（如Numpy） 和自動求導。
除了Facebook之外，Twitter、GMU和Salesforce等機構也都采用了PyTorch。
TensorFlow和Caffe都是命令式的靜態編程語言，，首先必須構建一個神經網絡，在訓練過程中結構不會發生變化，如果想要改 變網絡的結構，就必須從頭開始。但是對于PyTorch，通過 反向求導技術，可以讓你任意實時改變神經網絡。這一靈活 是PyTorch對比TensorFlow的最大優勢。
另外，PyTorch的代碼對比TensorFlow而言，更加簡潔直觀，底層代碼也更容易看懂，這對于使用 它并且計劃理解底層得人是一件特別棒的事情。
所以，總結一下PyTorch的優點：

支持調用GPU進行運算 ，

支持動態神經網絡 ，

底層代碼易于理解 ，

自定義擴展
當然，一枚硬幣有兩面，PyTorch也不例外，對比TensorFlow，其在功能全面性上差強人意，目前，PyTorch還不支持快速傅里葉、沿維翻轉張量和檢查無窮與非數值張量；針對移動 端、嵌入式部署以及高性能服務器端的部署其性能表現有待提升；其次因為這個框 架較新，使得 他的社區沒有那么強大，在文檔方面其核心庫大部分都沒有文檔。

目錄

文章目錄

• 前言
• 目錄
• 正文
• • 什么是PyTorch
  • 概念基礎
  • • Tensors（張量）
  • 運算
  • • 減法：方式1
    • 減法：方式2
  • 維度
  • • 取值

正文

首先是安裝Pytorch，可以參照這篇：
Windows下pytorch安裝
好了，現在可以開始熟悉PyTorch了。

什么是PyTorch

PyTorch 是一個基于Python的深度學習包，主要為兩類人提供服務：

喜歡Numpy，卻覺得他太慢的人。

目前使用的深度學習平臺不夠靈活。

概念基礎

Tensors（張量）

Tensors是一種類似于NumPy的ndayyays的數據結構，具有多維數組的所有優點，同時，基于PyTorch的特殊實現，你可以用GPU來加速你的數組運算。

# 首先導入torch包 from __future__ import print_function import torch

讓我們小試牛刀一下，構造一個4*4的二維隨機數組。

x=torch.rand(4,4) print(x)

程序輸出

tensor([[0.6254, 0.1690, 0.4922, 0.0543],[0.6057, 0.0293, 0.3909, 0.2498],[0.0916, 0.0795, 0.5616, 0.8738],[0.3008, 0.3016, 0.8778, 0.7976]])```大家可以注意一下，輸出的是Tensor標識的一個數據。另外有一個需要特別注意的地方，在初始化一個空數組時，結果可能和我們想象的不一樣。```b x=torch.empty(4,2) print(x)

程序輸出

tensor([[-8.2481e+24, 7.2727e-43],[-8.2485e+24, 7.2727e-43],[-8.2485e+24, 7.2727e-43],[-8.2485e+24, 7.2727e-43]])

可以發現，輸出結果，和我們想象中有點點兒區別，但也沒什么大礙。
PyTorch不僅可以設置數組的維度，同時還可以設置數組初始化時的數據類型。
接下來我們來構建一個lond型的tensor吧。

x=torch.zeros(4,4,dtype=torch.long) print(x)

結果

tensor([[0, 0, 0],[0, 0, 0],[0, 0, 0],[0, 0, 0],[0, 0, 0]])```b可以與設置為torch.float的做一下對比：```btensor([[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]])``` 和numpy一樣，Pytorch可以設置數組初始化時的數值： ```bx=torch.tensor([4.5,2]) print(x)#結果 tensor([4.5000, 2.0000])

在批量初始化同維數組時，可以利用已經存在的數組的相關信息。

x = x.new_ones(4, 4, dtype=torch.double) # new_*系列方法需要維度print(x) x = torch.randn_like(x, dtype=torch.float) # 重新設置數據類型print(x) print(x.size) # 結果有相同的維度# 結果tensor([[1., 1., 1., 1.],[1., 1., 1., 1.],[1., 1., 1., 1.],[1., 1., 1., 1.]], dtype=torch.float64) tensor([[ 0.9930, 0.8410, -0.5197, -0.3821],[ 1.4312, -0.1829, 2.0677, -0.3969],[ 0.3915, 0.9932, -0.4115, 0.9079],[-0.6334, 0.8982, -0.2081, -0.4650]]) torch.Size([4, 4])

運算

接下來，本文將以減法為例演示，PyTorch如何實現四則運算。

減法：方式1

y=torch.randn(4,4) print(x-y) #輸出 tensor([[ 0.2948, 0.4200, -1.2566, -0.4528],[ 1.1510, -1.0804, 2.0055, -1.3292],[ 0.2645, 0.3557, -1.2443, 0.8334],[-1.0146, 0.6967, -0.9362, -1.2695]])

減法：方式2

# 可以指定輸出的存儲變量 result=torch.empty(4,4) torch.min(x,y,out=result) print(result) # 輸出 tensor([[ 0.6982, 0.4210, -0.5197, -0.3821],[ 0.2802, -0.1829, 0.0622, -0.3969],[ 0.1270, 0.6375, -0.4115, 0.0745],[-0.6334, 0.2014, -0.2081, -0.4650]])

有的時候我們并不想增加我們的內存使用量
可以使用以下方式：

y.add_(x) print(y # 輸出 tensor([[ 1.6912, 1.2620, 0.2171, -0.3114],[ 1.7115, 0.7146, 2.1299, 0.5354],[ 0.5184, 1.6306, 0.4212, 0.9824],[-0.2522, 1.0996, 0.5200, 0.3395]])

通過在相應的操作后面加上斜線，結果將會被放到第一個變量上。

維度

在操作Tensor的時候，可以使用和Numpy類似的操作。
比如：

print(x[1:3,1:2]) #輸出 tensor([[-0.1829],[ 0.9932]])

如果，你想改變Tensor的維度，則可以使用view方法

x=torch.randn(4,8) y=x.view(32) z=x.view(-1,8) print(x.size(),y.size(),z.size()) # 結果 torch.Size([4, 8]) torch.Size([32]) torch.Size([4, 8])

取值

類似于Numpy，torch也有可以直接獲得變量值的方法:

x = torch.ones(1) print(x) print(x.item()) print(x) print(x.item()) #結果 tensor([1.]) 1.0

未完待續
關注公眾號，輸入‘torch1’,可以獲得本文的可交互代碼

總結

以上是生活随笔為你收集整理的Pytorch实践中文教程（1）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。