? ? ? 深度學(xué)習(xí)框架，似乎永遠離不開哪個最熱哪個最實用的話題，自己接觸甚淺，尚不敢對齊進行大加評論，這里也只是初步接觸。目前常見的有TensorFlow，pytorch，Keras等，至于目前哪個做好用，就像TIOBE編程語言的統(tǒng)計一樣，每一個都有自己的擁躉。目前Tensorflow和pytorch競爭相當火爆，pytorch上升速度極快，至于是否真正超過了TesorFlow了，可以通過這篇博文進行了解。

? ? 安裝自不必細說，參考安裝教程，同時官網(wǎng)了提供相應(yīng)的內(nèi)容。

使用Tensorflow配和使用Numpy，Numpy提供了強大的數(shù)組和矩陣的功能，二者的區(qū)別引用一位他人的總結(jié)就是：“一個好的框架應(yīng)該要具備三點：對大的計算圖能方便的實現(xiàn)；能自動求變量的導(dǎo)數(shù)；能簡單的運行在GPU上；pytorch都做到了，但是現(xiàn)在很多公司用的都是TensorFlow，而pytorch由于比較靈活，在學(xué)術(shù)科研上用得比較多一點。鄙人認為可能，Google可能下手早一些，而Facebook作后來者，雖然靈活，但是很多公司已經(jīng)入了TensorFlow的坑了，要全部遷移出來還是很費功夫；而且，TensorFlow在GPU的分布式計算上更為出色，在數(shù)據(jù)量巨大時效率比pytorch要高一些，這個也是一個重要的原因吧。”，因此pytorch一些函數(shù)方法和numpy中的函數(shù)方法說幾乎等同也不為過。下面先看一下Numpy中的幾個方法

import numpy as np a = np.array([[1, 2], [3, 4]]) #創(chuàng)建空矩陣.數(shù)組 numpy.empty(shape, dtype = float, order = 'C') #創(chuàng)建全0矩陣 numpy.zeros(shape, dtype = float, order = 'C') #創(chuàng)建指定范圍的數(shù)組 numpy.arange(start, stop, step, dtype)

1.張量Tesnors

? ? ? 我們知道深度學(xué)習(xí)中，Tensorflow和pytorch等都是基于對數(shù)組矩陣進行大量的擬合，變換，微分等運算，因此張量是線性代數(shù)中用到的一種數(shù)據(jù)結(jié)構(gòu)，類似向量和矩陣，可以在張量上進行算術(shù)運算。張量可以說是Tensorflow和pytorch的基石。

Tensors 類似于 NumPy 的 ndarrays ，同時 Tensors 可以使用 GPU 進行計算。使用tensor之前先導(dǎo)入torch

torch.is_tensor(obj)	如果 obj 是一個 pytorch tensor, 則返回True.
torch.is_storage(obj)	如果 obj 是一個 pytorch storage object, 則返回True

import torch x = torch.randn(5,3)print(torch.is_tensor(x)) print(torch.is_storage(x)) print(torch.numel(x))

torch.numel(input) → int

返回 input Tensor 中的元素總數(shù)

2.創(chuàng)建函數(shù)

創(chuàng)建函數(shù)和Numpy中的幾乎完全一樣，包括常見的ones,zeros,eye,arrange等

torch.zeros(*sizes, out=None) → Tensor

返回填充了標量值為 0 的 Tensor, 其形狀由可變參量 sizes 定義

返回一個全0 的張量，其形狀有sizes定義

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

torch.zeros_like(input, out=None) → Tensor

返回一個用標量值 0 填充的 Tensor, 其大小與 input 相同.

還有一個常用函數(shù)同zeros，就是zeros_like，見名知著，顧名思義就是像什么一樣的一個功能函數(shù)

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

torch.from_numpy(ndarray) → Tensor

從 numpy.ndarray 類 創(chuàng)建一個 Tensor 類

import torch import numpy as npx = np.array([5,3]) y = torch.from_numpy(x) print(y)

注意：將numpy.ndarray轉(zhuǎn)換為Tensor，返回的張量tensor和numpy的ndarray共享同一內(nèi)存空間，修改一個會導(dǎo)致另一個也被修改，返回的張量不能改變大小

torch.eye(n, m=None, out=None)

返回對角線位置全為1, 其它位置全為0的二維 tensor

返回一個2維張量，對角線為1,其它位置為0，注意：eye(N)是單位矩陣，非全1矩陣

• n (int) -行數(shù)
• m (int, optional)列數(shù)，如果為None,則默認為n
• out (Tensor, optional)

torch.empty()	?
torch.empty_like()

這里的創(chuàng)建規(guī)則同ones和ones_like一樣

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

torch.full(size, fill_value, …)	返回大小為sizes,單位值為fill_value的矩陣
torch.full_like(input, fill_value, …)	返回與input相同size，單位值為fill_value的矩陣

x=torch.full([5,3], 1) print(x) x=torch.full([], 1) # 生成一個標量 print(x) x=torch.full([1], 1) # 生成一個標量 print(x)

輸出結(jié)果為如下：

tensor([[1., 1., 1.],[1., 1., 1.],[1., 1., 1.],[1., 1., 1.],[1., 1., 1.]]) tensor(1.) tensor([1.])

還有一些其他函數(shù)比如等比，等差數(shù)列比較好理解

torch.linspace(start, end, steps=100, out=None) → Tensor

返回 start 和 end 之間等間隔 steps 點的一維 Tensor.輸出 是尺寸 steps 為一維 tensor

torch.logspace(start, end, steps=100, out=None) → Tensor

返回一個在 10^start和 10^end之間的對數(shù)間隔 steps 點的一維 Tensor，輸出是長度為 steps 的一維 tensor

生成一維Tensor有arrage和range兩個函數(shù)

torch.arange(start=0, end, step=1, out=None) → Tensor

從 start 用步長為 step 開始, 間隔在 [start, end) 中的值返回大小層次為 floor((end?start)/step)floor((end?start)/step) 的一維 Tensor.

torch.range(start, end, step=1, out=None) → Tensor

返回一個在 start 到 end 并且步長為 step 的區(qū)間內(nèi), 大小為 floor((end?start)/step)+1floor((end?start)/step)+1 為一維 Tensor.

推薦使用torch.arrange()

3. 索引，切片，連接，換位(Index, Slicing, Joining, Mutating)

torch.cat(seq, dim=0, out=None) → Tensor

在給定維度上對輸入的張量序列 seq 進行連接操作. 所有張量必須具有相同的形狀(在 cat 維度中除外) 或為空.

torch.chunk(tensor, chunks, dim=0)

在給定維度(軸)上將輸入張量進行分塊處理.

torch.gather(input, dim, index, out=None) → Tensor

沿給定軸 dim ,將輸入索引張量 index 指定位置的值進行聚合.

?

關(guān)于基礎(chǔ)函數(shù)的介紹，推薦自己看過的兩篇文章，一個是羅列了所有可用的函數(shù)，另一個是介紹了基本功能，示例

總結(jié)

以上是生活随笔為你收集整理的pytorch基础函数学习的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。