PyTorch 基础

理解使用 PyTorch 所需的所有基本概念至关重要。PyTorch 完全基于张量。张量具有执行操作。除此之外，还有许多其他概念是执行任务所必需的。

现在，逐个理解所有概念，以获得对 PyTorch 的深入了解。

矩阵或张量

张量是 Pytorch 的关键组成部分。我们可以说 PyTorch 完全基于张量。在数学术语中，数字的矩形数组称为度量。在 Numpy 库中，这些度量称为 ndarray。在 PyTorch 中，它被称为 Tensor。张量是一个 n 维数据容器。例如，在 PyTorch 中，1d-Tensor 是一个向量，2d-Tensor 是一个度量，3d-Tensor 是一个立方体，而 4d-Tensor 是一个立方体向量。

以上度量表示具有三行两列的 2D-Tensor。

有三种创建 Tensor 的方法。每一种都有不同的创建 Tensor 的方法。张量创建如下

1. 创建一个 PyTorch 张量数组
2. 创建一个全为 1 和随机数的张量
3. 从 numpy 数组创建张量

让我们看看如何创建张量

创建一个 PyTorch 张量作为数组

在此中，您首先需要定义数组，然后将该数组传递到 torch 的 Tensor 方法中作为参数。

例如

输出

tensor ([[3., 4.],[8., 5.]])

创建一个具有随机数和全为 1 的张量

要创建一个随机数张量，您必须使用 rand() 方法，并且要创建一个全为 1 的张量，您必须使用 torch 的 ones() 方法。为了生成随机数，将使用 torch 的另一个方法，即 manual_seed，参数为 0。

例如

输出

Tensor ([[1., 1.],[1., 1.]])
tensor ([[0.4963, 0.7682],[0.0885, 0.1320]])

从 numpy 数组创建张量

要从 numpy 数组创建张量，我们必须创建一个 numpy 数组。创建 numpy 数组后，我们必须将其作为参数传递给 from_numpy()。此方法将 numpy 数组转换为张量。

例如

输出

[[1. 1.] [1. 1.]]

张量运算

张量类似于数组，因此我们对数组执行的所有操作也可以应用于张量。

1) 调整张量大小

我们可以使用张量的 size 属性来调整张量的大小。我们使用 Tensor.view() 来调整张量的大小。调整张量的大小意味着将 2*2 维张量转换为 4*1 或 4*4 维张量转换为 16*1 等等。要打印张量大小，我们使用 Tensor.size() 方法。

让我们看一个调整张量大小的例子。

输出

torch.Size ([2, 2])
tensor ([1., 1., 1., 1.])

2) 数学运算

所有数学运算，如加法、减法、除法和乘法，都可以在张量上执行。torch 可以进行数学运算。我们使用 torch.add()、torch.sub()、torch.mul() 和 torch.div() 对张量执行操作。

让我们看一个例子，说明如何执行数学运算

输出

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

3) 均值和标准差

我们可以计算张量的标准差，无论是对于一维还是多维。在我们的数学计算中，我们首先要计算均值，然后将以下公式应用于给定数据，并取均值。

但在张量中，我们可以使用 Tensor.mean() 和 Tensor.std() 来找到给定张量的偏差和均值。

让我们看一个例子，说明它是如何执行的。

输出

tensor (3.)
tensor (1.5811)

变量和梯度

该软件包的核心类是 autograd.variable。它的主要任务是包装一个 Tensor。它支持在其上定义几乎所有操作。您可以在完成计算后调用 .backword() 并计算所有梯度。

通过 .data 属性，您可以访问行张量，而此变量的梯度将累积到 .grad 中。

在深度学习中，梯度计算是关键点。变量用于在 PyTorch 中计算梯度。简单来说，变量只是张量的包装器，具有梯度计算功能。

以下是用于管理变量的 python 代码。

上面的代码行为与张量相同，因此我们可以以相同的方式应用所有操作。

让我们看看如何在 PyTorch 中计算梯度。

示例

输出

tensor([20.])