Pytorch入門演練

磐創AI發表於2018-12-19
PyTorch

Pytorch入門演練

作者 | 磐石

編輯 | 安可

出品 | 磐創AI技術團隊

【引言】Pytorch是一個基於Python的科學計算軟體包，有以下兩種定位：

  • 可以使用多GPU加速的NumPy替代品

  • 提供最大限度靈活性與速度的深度學習研究平臺

一、入門

1.Tensors（張量）

Tensors（張量）類似於NumPy中的ndarray，另外它還可以使用GPU加速計算。

from__future__import print_function
importtorch

構造一個未初始化的5x3矩陣：

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

輸出：

tensor([[-9.0198e-17,  4.5633e-41, -2.9021e-15],
        [ 4.5633e-41,  0.0000e+00,  0.0000e+00],
        [ 0.0000e+00,  0.0000e+00,  0.0000e+00],
        [ 0.0000e+00,  0.0000e+00,  0.0000e+00],
        [ 0.0000e+00,  0.0000e+00,  0.0000e+00]])

構造一個隨機初始化的矩陣：

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

輸出：

tensor([[0.1525, 0.7689, 0.5664],
        [0.7688, 0.0039, 0.4129],
        [0.9979, 0.3479, 0.2767],
        [0.9580, 0.9492, 0.6265],
        [0.2716, 0.6627, 0.3248]])

構造一個使用零填充、資料型別為long（長整型）的5X3矩陣：

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

輸出：

tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])

直接用一組資料構造Tensor（張量）：

x = torch.tensor([5.5, 3])
print(x)

輸出：

tensor([5.5000, 3.0000])

或者根據現有的Tensor（張量）建立新的Tensor（張量）。除非使用者提供新值，否則這些方法將重用輸入張量的屬性，例如dtype：

x = x.new_ones(5, 3, dtype=torch.double)  # 使用new_* 方法設定維度
print(x)

x = torch.randn_like(x, dtype=torch.float)   # 重新設定資料型別
Print(x)                                   # 結果維度不變

輸出：

tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)

tensor([[ 0.4228,  0.3279,  0.6367],
        [ 0.9233, -0.5232, -0.6494],
        [-0.1946,  1.7199, -0.1954],
        [ 0.1222,  0.7204, -1.3328],
        [ 0.1230, -0.5800,  0.4562]])

輸出它的大小：

print(x.size())

輸出：

torch.Size([5, 3])

【注意：torch.Size 實際上是一個元組，因此它支援所有元組操作。】

2. 運算

Tensor運算有多種語法。在下面的示例中，我們將先示例加法運算。

加法運算：語法1

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

輸出：

tensor([[ 0.0732,  0.9384, -0.2489],
        [-0.6905,  2.1267,  3.0045],
        [ 0.6199,  0.4936, -0.0398],
        [-2.0623, -0.5140,  1.6162],
        [ 0.3189, -0.0327, -0.5353]])

加法運算：語法2

print(torch.add(x, y))

輸出：

tensor([[ 0.0732,  0.9384, -0.2489],
        [-0.6905,  2.1267,  3.0045],
        [ 0.6199,  0.4936, -0.0398],
        [-2.0623, -0.5140,  1.6162],
        [ 0.3189, -0.0327, -0.5353]])

加法運算：使用輸出Tensor（張量）作為引數

result = torch.empty(5, 3)
torch.add(x, y, out=result)

print(result)

輸出：

tensor([[ 0.0732,  0.9384, -0.2489],
        [-0.6905,  2.1267,  3.0045],
        [ 0.6199,  0.4936, -0.0398],
        [-2.0623, -0.5140,  1.6162],
        [ 0.3189, -0.0327, -0.5353]])

加法運算：內聯接

# adds x to y
y.add_(x)
print(y)

輸出：

tensor([[ 0.0732,  0.9384, -0.2489],
        [-0.6905,  2.1267,  3.0045],
        [ 0.6199,  0.4936, -0.0398],
        [-2.0623, -0.5140,  1.6162],
        [ 0.3189, -0.0327, -0.5353]])

【注意：任何改變原張量實現內聯接的操作都是通過在後邊加_ 實現的。例如：x.copy_(y)，x.t_()，將將改變x的值。】

 你可以像在NumPy中一樣使用索引及其他所有華麗的功能。

print(x[:, 1])

輸出：

tensor([ 0.3279, -0.5232,  1.7199,  0.7204, -0.5800])

Resizing（調整大小）：如果要resize/reshape張量，可以使用torch.view：

x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8)  # -1是推斷出來的

print(x.size(), y.size(), z.size())

輸出：

torch.Size([4, 4])  torch.Size([16])  torch.Size([2, 8])

如果你有隻含一個元素的張量，可以用.item()獲取它的值作為Python數值

x = torch.randn(1)

print(x)

print(x.item())

輸出：

tensor([0.1550])

0.15495021641254425

【延伸閱讀：100+張量操作，包括置換，索引，切片，數學運算，線性代數，隨機數等等，被詳細描述在這裡

（https://pytorch.org/docs/torch）。】

 二、NUMPY橋接器

將Torch Tensor轉換為NumPy array是一件輕而易舉的事（反之亦然）。Torch Tensor和NumPyarray共享其底層記憶體位置，更改一個將改變另一個。

1.將Torch Tensor轉換為NumPy array

a = torch.ones(5)

print(a)

輸出：

tensor([1., 1., 1., 1., 1.])
 
b = a.numpy()

print(b)

輸出：

[1. 1. 1. 1. 1.]

瞭解numpyarray的值如何變化。

a.add_(1)

print(a)

print(b)

輸出：

tensor([2., 2., 2., 2., 2.])

[2. 2. 2. 2. 2.]

2. 將NumPy array轉換為Torch Tensor

瞭解如何自動地將np array更改為Torch Tensor

import numpy as np

a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)

print(a)
print(b)

輸出：

[2. 2. 2. 2. 2.]

tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

除了Char（字元型）Tensor之外，CPU上的所有Tensors都支援轉換為NumPy及返回。

三、CUDA TENSORS（張量）

可以使用.to方法將張量移動到任何裝置上。

# 僅當CUDA可用的情況下執行這個cell 
# 我們用 ``torch.device`` 物件實現tensors在GPU上的寫入與讀出if torch.cuda.is_available():

    device = torch.device("cuda")          # 一個 CUDA 終端物件

    y = torch.ones_like(x, device=device)  # 直接在GUP上建立Tensor
    x = x.to(device)                # 或者直接使用字串`.to("cuda")``
    z = x + y

    print(z)
    print(z.to("cpu", torch.double))     # `.to`` 也可以改變物件資料型別

輸出：

tensor([2.4519], device='cuda:0')

tensor([2.4519], dtype=torch.float64)

指令碼總執行時間：（0分6.338秒）

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/31555081/viewspace-2285786/，如需轉載，請註明出處，否則將追究法律責任。

相關文章