pytorch基础和安装

pytorch安装

01

演示系统环境

• Windows10

• Pytorch1.4

• CUDA10.0

• VS2015

• Python3.6.5

CPU版本

install pytorch torchvision cpuonly -c pytorch

GPU版本

install pytorch torchvision cudatoolkit&＃61;10.0 -c pytorch

测试安装是否正常, CUDA支持正常

测试结果一切正常&＃xff01;

安装的时候你还可以更直接点

pip install pytorch torchvision

就好啦&＃xff01;我知道很多人喜欢用各种python的工具跟IDE做开发&＃xff0c;那些都是个人爱好&＃xff0c;喜欢就好&＃xff0c;但是千万别强迫别人跟你一样&＃xff01;有IDE强迫症&＃xff01;我从开始学习python就一直用pycharm&＃xff01;千万别问我好用不好用&＃xff0c;方便不方便&＃xff01;觉得适合自己即可。

Pytorch基本语法演示

02

演示了pytorch中基本常量、变量、矩阵操作、CUDA调用&＃xff0c;numpy与tensor转化&＃xff0c;维度转化&＃xff0c;自动梯度等基本知识。代码如下&＃xff1a;

from __future__ import print_function
import torch
import numpy as npprint(torch.__version__)# 定义矩阵
x &＃61; torch.empty(2, 2)
print(x)# 定义随机初始化矩阵
x &＃61; torch.randn(2, 2)
print(x)# 定义初始化为零
x &＃61; torch.zeros(3, 3)
print(x)# 定义数据为tensor
x &＃61; torch.tensor([5.1, 2., 3., 1.])
print(x)# 操作
a &＃61; torch.tensor([1.,2.,3.,4.,5.,6.,7.,8.])
b &＃61; torch.tensor([11.,12.,13.,14.,15.,16.,17.,18.])
c &＃61; a.add(b)
print(c)# 维度变换 2x4
a &＃61; a.view(-1, 4)
b &＃61; b.view(-1, 4)
c &＃61; torch.add(a, b)
print(c, a.size(), b.size())# torch to numpy and visa
na &＃61; a.numpy()
nb &＃61; b.numpy()
print("\na &＃61;",na,"\nb &＃61;", nb)# 操作
d &＃61; np.array([21.,22.,23.,24.,25.,26.,27.,28.], dtype&＃61;np.float32)
print(d.reshape(2, 4))
d &＃61; torch.from_numpy(d.reshape(2, 4))
sum &＃61; torch.sub(c, d)
print(sum, "\n sum &＃61; ", sum.size())# using CUDA
if torch.cuda.is_available():result &＃61; d.cuda() &＃43; c.cuda()print("\n result &＃61; ", result)# 自动梯度
x &＃61; torch.randn(1, 5, requires_grad&＃61;True)
y &＃61; torch.randn(5, 3, requires_grad&＃61;True)
z &＃61; torch.randn(3, 1, requires_grad&＃61;True)
print("\nx&＃61;",x, "\ny&＃61;",y, "\nz&＃61;",z)
xy &＃61; torch.matmul(x, y)
xyz &＃61; torch.matmul(xy, z)
xyz.backward()
print(x.grad, y.grad, z.grad)

运行输出结果:

1.4.0
tensor([[0., 0.],[0., 0.]])
tensor([[-0.4624, -1.1495],[ 1.9408, -0.1796]])
tensor([[0., 0., 0.],[0., 0., 0.],[0., 0., 0.]])
tensor([5.1000, 2.0000, 3.0000, 1.0000])
tensor([12., 14., 16., 18., 20., 22., 24., 26.])
tensor([[12., 14., 16., 18.],[20., 22., 24., 26.]]) torch.Size([2, 4]) torch.Size([2, 4])a &＃61; [[1. 2. 3. 4.][5. 6. 7. 8.]] 
b &＃61; [[11. 12. 13. 14.][15. 16. 17. 18.]]
[[21. 22. 23. 24.][25. 26. 27. 28.]]
tensor([[-9., -8., -7., -6.],[-5., -4., -3., -2.]]) sum &＃61;  torch.Size([2, 4])result &＃61;  tensor([[33., 36., 39., 42.],[45., 48., 51., 54.]], device&＃61;&＃39;cuda:0&＃39;)x&＃61; tensor([[ 0.3029, -0.4030, -0.9148, -0.9237,  0.7549]], requires_grad&＃61;True) 
y&＃61; tensor([[-0.9032, -0.4092, -0.0682],[ 0.3689, -0.9655, -0.1346],[ 1.5101,  1.4418,  0.1058],[ 1.0259, -1.6011,  0.4881],[-0.3989,  0.9156, -1.6290]], requires_grad&＃61;True) 
z&＃61; tensor([[ 1.4343],[ 2.2974],[-0.0864]], requires_grad&＃61;True)
tensor([[-2.2298, -1.6776,  5.4691, -2.2492,  1.6721]]) tensor([[ 0.4344,  0.6959, -0.0262],[-0.5781, -0.9260,  0.0348],[-1.3121, -2.1017,  0.0790],[-1.3249, -2.1222,  0.0798],[ 1.0827,  1.7342, -0.0652]]) tensor([[-3.0524],[ 1.1164],[-1.7437]])