pytorch入门教程 | 第一章:Tensor

1 pytorch安装

安装pytorch之前,需要安装好python,还没安装过python的宝宝请先移步到廖雪峰的python教程,待安装熟悉完之后,再过来这边。

我们接着讲。

打开pytorch官网http://pytorch.org,找到下图所示位置

如图所示,选择好系统,包管理工具,python的版本,是否支持CUDA。

选择好相应的配置,然后就可以复制下面“Run this command”的代码,直接打开命令台粘贴运行,即完成pytorch的安装。

2

pytorch的基石--Tensor张量

要介绍Tensor这个数据类型,我觉得有必要扯一下数学。

我们都知道:

标量(Scalar)是只有大小,没有方向的量,如1,2,3等

向量(Vector)是有大小和方向的量,其实就是一串数字,如(1,2)

矩阵(Matrix)是好几个向量拍成一排合并而成的一堆数字,如[1,2;3,4]

如图,我们可以看出,矩阵是二维的,向量是一维的,标量是零维的。

那么张量(Tensor)是什么呢?呵呵呵呵!大家估计也能猜出来!是按照三维排列的一堆数字?

是的。但是也不完全正确。

其实标量,向量,矩阵它们三个也是张量,标量是零维的张量,向量是一维的张量,矩阵是二维的张量。

张量就是按照任意维排列的一堆数字的推广。如图所示,矩阵不过是三维张量下的一个二维切面。要找到三维张量下的一个标量,需要三个维度的坐标来定位。

除此之外,张量还可以是四维的、五维的、。。。等等

数学扯完了,我们撸串代码操练操练 

>>>import torch #引用torch包 >>>x = torch.Tensor(2,3) #构造一个2x3的矩阵,没初始化但仍然会有值 >>>x 8.0118e+28 4.5768e-41 8.0118e+28 4.5768e-41 2.9747e-37 1.4013e-45 [torch.FloatTensor of size 2x3] #可以看出数据类型是浮点数的2x3矩阵

看矩阵看不出张量的道道,我们来点刺激的

>>>y=torch.Tensor(4,2,3) #构造一个4x2x3的张量,没初始化 >>>y (0 ,.,.) = 1.00000e-29 * 0.0000 2.5244 0.0000 2.5244 0.0000 0.0000 (1 ,.,.) = 1.00000e-29 * 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 (2 ,.,.) = 1.00000e-29 * 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 (3 ,.,.) = 1.00000e-29 * 0.0000 0.0000 0.0000 2.5244 0.0000 2.5244 [torch.FloatTensor of size 4x2x3]

我们从上面的返回值可以看出,4x2x3的张量y由4个2x3的矩阵构成,这符合了我们数学上的定义。

3

Tensor的加法(四种)

我们先初始化两个张量:

rand()用随机数初始化5x3的矩阵

第一种:

>>>a+b

第二种:

>>>torch.add(a,b)

第三种:

>>>result = torch.Tensor(5,3) >>>torch.add(a,b,out=result) #把运算结果存储在result上

第四种:

>>>b.add_(a) #把运算结果覆盖掉b

4

Tensor的部分截取

利用b[:,1]来截取第2列的所有元素(计算机是从0开始数,所以1是第2列)

5

Tensor的其他操作

除了加法以外,还有上百种张量的操作,比如说转置(transposing),切片(slicing)等。

6

Tensor与numpy的Array的相互转换

torch的tensor可以与numpy的array进行转换

1.tensor⇒array

>>>b = a.numpy() #a为tensor

如图所示,b和a是共用一块内存,所以当a发生变化时,b也会发生变化。

2.array⇒tensor

>>>b = torch.from_numpy(a) #a为numpy的array

如图所示,a和b一样是共用一块内存。

7

CUDA的神助攻

假如少侠你有一块nvidia的显卡并支持cuda(如GTX 1080),那么恭喜你,你可以使用显卡gpu进行tensor的运算。

>>>torch.cuda.is_available() #看看是否支持cuda

假如返回的是True那么,下面的代码将带你飞。

>>>x = x.cuda() >>>y = y.cuda() >>>x+y #这里的x和y都是tensor,使用cuda函数以后,x和y的所有运算均会调用gpu来运算。

原文发布于微信公众号 - 人工智能LeadAI(atleadai)

原文发表时间:2017-09-01

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据挖掘DT机器学习

R语言进行中文分词,并对6W条微博聚类

由于时间较紧,且人手不够,不能采用分类方法,主要是没有时间人工分类一部分生成训练集……所以只能用聚类方法,聚类最简单的方法无外乎:K-means与层次聚类。 尝...

3065
来自专栏社区的朋友们

深度学习入门实战(二):用TensorFlow训练线性回归

上一篇文章我们介绍了 MxNet 的安装,但 MxNet 有个缺点,那就是文档不太全,用起来可能是要看源代码才能理解某个方法的含义,所以今天我们就介绍一下 Te...

5.7K1
来自专栏人工智能

深度学习框架之一:Theano

正文共7163个字,1张图,预计阅读时间18分钟。 参考Lasagne官网(http://lasagne.readthedocs.io/en/latest/)t...

1826
来自专栏漫漫深度学习路

mxnet-Gluon(一):mxnet-Gluon 入门

沐神已经提供了一份官方的文档,为什么要写这么一篇博客: 沐神提供的中文文档质量是非常高的,地址,但是感觉需要看一段时间才能上手 Gluon, 本博客结构模仿 p...

3556
来自专栏新智元

【李沐】十分钟从 PyTorch 转 MXNet

1475
来自专栏诸葛青云的专栏

Python识别验证码!学会这步,百分之60的网站你基本都能识别了!

127是我们设定的阈值,像素值大于127被置成了0,小于127的被置成了255。处理后的图片变成了这样

230
来自专栏简书专栏

基于tensorflow+RNN的MNIST数据集手写数字分类

tensorflow是谷歌google的深度学习框架,tensor中文叫做张量,flow叫做流。 RNN是recurrent neural network的简...

683
来自专栏SnailTyan

Caffe模型对比

Caffe模型训练完成后,在实际生产环境中部署时需要对Caffe模型使用的显存(使用CPU时是内存)及模型分类的时间进行评估,下面是对比结果。测试使用的GPU为...

2237
来自专栏Deep learning进阶路

caffe随记(三) --- solver 简析

1、概述 solver算是caffe中比较核心的一个概念,在我们训练train我们的网络时,就必须要带上这个参数, 如下例是我要对Lenet进行训练的时候要调...

3020
来自专栏MelonTeam专栏

深度学习入门实战(二)

导语:上一篇文章我们介绍了MxNet的安装,但MxNet有个缺点,那就是文档不太全,用起来可能是要看源代码才能理解某个方法的含义,所以今天我们就介绍一下Te...

20710

扫码关注云+社区