深度学习基础与实践 课件 3.3.5PyTorch基本使用.pptx

PyTorch基本使用;Tensor张量的概念;Tensor实际上就是一个多维数组（multidimensionalarray）;数据类型;创建张量的方法

torch.tensor()：用现有数据创建张量

如torch.tensor([[1.,-1.],[1.,-1.]])

torch.*：创建具有特定大小的张量

如torch.randn()#满足标准正态分布的一组随机数据

torch.*_like：创建与另一个张量具有相同大小和相似类型的张量

如torch.rand_like()

tensor.new_*：创建与其他张量具有相似类型但大小不同的张量;查看张量的属性

查看Tensor类型

tensor1=torch.randn(2,3) #形状为(2,3)一组从标准正态分布中随机抽取的数据

tensor1.dtype#torch.float32

查看Tensor维度

tensor1.ndim#查看维度

查看Tensor形状或尺寸

tensor1.shape#查看形状或尺寸

查看Tensor是否存储在GPU上

tensor1.is_cuda

查看Tensor的梯度

tensor1.grad;Tensor在CPU、GPU、numpy之间的转换

CPUtensor转GPUtensor

cpu_tensor.cuda()

GPUtensor转CPUtensor

gpu_tensor.cpu()

numpy转为CPUtensor

torch.from_numpy(numpy_test)

CPUtensor转为numpy数据

cpu_tensor.numpy()

注意：

GPUtensor不能直接转为numpy数组，必须先转到CPUtensor。

如果tensor是标量的话，可以直接使用item()函数（只能是标量）将值取出来：loss_output.item();一个张量tensor可以从Python的list或序列构建;一个空张量tensor可以通过规定其大小来构建;用Python的索引和切片来获取和修改一个张量tensor中的内容;每一个张量tensor都有一个相应的单一数据类型的一维数组torch.Storage用来保存其数据;改变tensor的函数操作会用一个下划线后缀来表示;函数torch.squeeze(input,dim=None,out=None)对数据的维度进行压缩;数学操作;函数torch.abs(inputs,out=None)用来计算输入张量的每个元素的绝对值;函数torch.add(input,value,out=None)，对张量input逐元素加上标量value后得到一个新的张量;数理统计;函数torch.mean(input)，返回输入张量所有元素的均值;函数torch.mean(input，dim，out=None)，返回输入张量指定维度上的所有元素的均值;比较操作;函数torch.eq(input,other,out=None)，比较元素相等性;函数torch.eq(input,other,out=None)，比较元素相等性;张量tensor的使用;构建一个简单的神经网络

1.首先导入PyTorch包。2.设置网络用到的权重。3.编写向前传播、向后传播过程。4.计算损失函数。5.权重。