《nlp入门+实战：第二章：pytorch的入门使用》

待我称王封你为后i 2023-10-11 17:58 4阅读 0赞

#### 文章目录 ####

*  1.pytorch的介绍
 *  2.pytorch的版本
 *  3.pytorch的入门使用
 *   *  3.1 张量Tensor
     *  3.2 在Pytorch中创建张量
     *  3.3 Pytorch中的tensor常用方法
     *  3.4 tensor的数据类型
     *  3.5 tensor的其他操作

上一篇： [《nlp入门+实战：第一章：深度学习和神经网络》][nlp]  
本章代码链接： [https://gitee.com/ninesuntec/nlp-entry-practice/blob/master/code/2.pytorch.py][https_gitee.com_ninesuntec_nlp-entry-practice_blob_master_code_2.pytorch.py]

## 1.pytorch的介绍 ##

Pytorch是一款facebook发布的深度学习框架，由其易用性，友好性。深受广大用户青睐。

## 2.pytorch的版本 ##

![在这里插入图片描述][85e939c05108442dba96d3ccb41ee60a.png_pic_center]

详情请参考pytorch官网：https://pytorch.org/get-started/locally/  
上面有详细的安装步骤，当然，你也可以基于anaconda的环境去安装pytorch的环境

当然，你的电脑如果没有gpu的话，前期的简单计算依赖于cpu也完全没问题，安装命令如下：  
![在这里插入图片描述][4f663e22cdec4fcf83f5852198eaf0a7.png_pic_center]

## 3.pytorch的入门使用 ##

### 3.1 张量Tensor ###

张量是一个统称，其中包含很多类型:

*  0阶张量:标量、常数，0-D Tensor
 *  1阶张量:向量,1-D Tensor
 *  2阶张量:矩阵，2-D Tensor
 *  3阶张量
 *  5…
 *  N阶张量

有了numpy，序列，数组等等，为啥还需要张量呢，在我们pytorch框架中，它只认识张量，，所以我们需要将数据转为张量类型，pytorch才能去解析。

### 3.2 在Pytorch中创建张量 ###

在学习本小节之前，请确保自己已经安装好了pytorch以及numpy  
我是通过anaconda安装的，不会的可以自行百度一下，教程很多。

*  [《pycharm中配置anaconda中的tensorflow环境》][pycharm_anaconda_tensorflow]
 *  [《anaconda常用指令》][anaconda]

1.使用python中的列表或者序列创建张量

import torch
    import numpy as np
    t1=torch.tensor([[1, -1], [1, -1]])
    print(t1)

本文只在第一代码段中显示了torch和numpy的导入，后面的默认都是加了的，请大家自行补上。同时本文不没有给出运行结果的截图，旨在确保大家自己手动敲一遍代码，否则就是囫囵吞枣，收获不大的。

2.使用Numpy中的数组创建张量

t2 = torch.tensor(np.array([[1, 2, 3], [4, 5, 6]]))
    print(t2)

3.使用torch中的api创建tensor

t3_0 = torch.empty(3, 4)  # 创建3行4列的空tensor，会用无用数据去填充
    t3_1 = torch.ones([3, 4])  # 创建3行4列全为1的tensor
    t3_2 = torch.zeros([3, 4])  # 创建3行4列全为0的tensor
    t3_3 = torch.rand([3, 4])  # 创建3行4列随机值的tensor，随机区间为（0,1）
    t3_4 = torch.randint(low=0, high=10, size=[3, 4])  # 创建3行4列随机整数的tensor，随机区间为（low,high）
    t3_5 = torch.randn([3, 4])  # 创建3行4列随机数的tensor，随机值的均值为0，方差为1

### 3.3 Pytorch中的tensor常用方法 ###

1.获取tensor中的数据(当tensor中只有一个元素可用):**tensor.item()**

t4 = torch.tensor(np.arange(1))
    print(t4)
    print(t4.item())

![在这里插入图片描述][aaae0338da594798b32cad74b67aa6ee.png_pic_center]

2.转化为numpy数组

t5_1 = torch.randint(low=0, high=10, size=[3, 4])
    t5_2=t5_1.numpy()
    print(t5_1)
    print(t5_2)

![在这里插入图片描述][8167dccb362f4eb4a9c060dcef348dc3.png_pic_center]

3.获取形状：**tensor.size()**

t6 = torch.randint(low=0, high=10, size=[3, 4])
    print(t6)
    print(t6.size())

![在这里插入图片描述][fcc729fffc4c474abcda20f0b1c54c3f.png_pic_center]

4.形状改变：tensor.view((3,4))。类似numpy中的reshape，是一种浅拷贝，仅仅是形状发生改变

t7 = torch.randint(low=0, high=10, size=[3, 4])
    print(t7)
    print(t7.view(2, 6))

![在这里插入图片描述][5defad661c8d4627a54e3c3d18e19da3.png_pic_center]

注意，无论怎么转换都要保证最终的乘积不变，如3\* 4=2\*6  
5.获取维数:tensor.dim()

t8 = torch.randint(low=0, high=10, size=[3, 4])
    print(t8)
    print(t8.dim())

![在这里插入图片描述][b699c22088424b67ac42e29fc99bd670.png_pic_center]

6.获取最大值:tensor.max()

t9 = torch.randint(low=0, high=10, size=[3, 4])
    print(t9)
    print(t9.max())

![在这里插入图片描述][2d232645b6c44afa9d11d1d2c36e2888.png_pic_center]

7.转置：tensor.t()

t10 = torch.randint(low=0, high=10, size=[3, 4])
    print(t10)
    print(t10.t())

![在这里插入图片描述][9351eb890f554d5d8e7dc15ef1c86f75.png_pic_center]

8.获取tensor第m行n列的值：tensor\[m,n\]

t11 = torch.randint(low=0, high=10, size=[3, 4])
    print(t11)
    print(t11[1, 2])  # 获取第二行第3列的值

![在这里插入图片描述][e4fbc181eab8453cb55ca379809cf0bf.png_pic_center]

9.赋值：tensor\[m,n\]=x，将第m行n列的值赋值为x

t12 = torch.randint(low=0, high=10, size=[3, 4])
    print(t12)
    t12[1,2]=1000
    print(t12)

![在这里插入图片描述][f5a541ad6d4a4229b6396f179aee54e5.png_pic_center]

10.交换矩阵的两个维度:torch.transpose(x, 0, 1)

t13 = torch.randn(2, 3);  # 2行3列
    print(t13)
    t13=torch.transpose(t13, 0, 1)
    print(t13)  # 将t13变为3行2列

![在这里插入图片描述][d6b971d0817141fa997f7193f1f29a1b.png_pic_center]

![在这里插入图片描述][0600b844fd5f4f54832edd4825061af0.png_pic_center]

如果我们遇到这种类型的数据，里面的\[1,2,3\]分别代表是什么意思呢？  
意思是该张量是个三维张量，其中

*  1：里面只有一块数据
 *  2,3：代表每一块数据都是一个2行3列的数据

### 3.4 tensor的数据类型 ###

![在这里插入图片描述][e70a82952fa54e4fb023013f4dfca81c.png_pic_center]

1.获取tensor的数据类型：x.dtype

t15 = torch.randn([3, 4])
    print(t15.dtype)

![在这里插入图片描述][e6721f089d1c4254afaba6e6f3c93d96.png_pic_center]

2.在创建张量时，也可通过dtype来指定数据类型

t16 = torch.randn([3, 4],dtype=torch.double)
    print(t16.dtype)

![在这里插入图片描述][2c6fbfa1ad3b4d5eaaacc22c821e6c6d.png_pic_center]

当然我们也可通过FloatTensor、LongTensor等来创建我们需要的制定数据类型

t17 = torch.LongTensor([1, 2])
    print(t17)

![在这里插入图片描述][da4acd4e32044c2aaa05e3363c34c4da.png_pic_center]

### 3.5 tensor的其他操作 ###

1.tensor与tensor的相加

t18 = t17.new_ones(5, 3, dtype=torch.float)
    t18_1 = torch.randn(5, 3)
    print(t18)
    print(t18_1)
    print(t18 + t18_1)
    print(torch.add(t18, t18_1))
    print(t18.add(t18_1))
    t18.add_(t18_1)  # 带下划线的方法会对t18进行就地修改
    print(t18)

![在这里插入图片描述][70311ae6d60740b290c58fbd341553c1.png_pic_center]

![在这里插入图片描述][167936f2b86b4c1ab2d8bc3fce34e0db.png_pic_center]

2.tensor和数字操作

t19 = torch.randn(3, 3)
    print("t19：", t19)
    print("t19+10=", t19 + 10)

![在这里插入图片描述][0ffa12d5c9fd47c58798ca7289d9d1f5.png_pic_center]

3.CUDA中的tensor  
CUDA (Compute Unified Device Architecture),是NVIDIA推出的运算平台。

CUDATM是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。

torch.cuda这个模块增加了对CUDA tensor的支持，能够在cpu和gpu上使用相同的方法操作tensor

通过.to方法能够把一个tensor转移到另外一个设备(比如从CPU转到GPU)

if torch.cuda.is_available():
        device = torch.device("cuda")  # cuda device对象
        y = torch.ones_like(t19, device=device)  # 创建一个cuda的tensor
        x = t19.to(device)  # 使用方法把t19转化为cuda的tensor
        z = x + y
        print(z)
        print(z.to("cpu", torch.double))  # .to方法也能够同时设置类型
    else:
        print("您的设备不支持gpu运算")

下一篇：[《nlp入门+实战：第三章：梯度下降和反向传播 》][nlp_]

[nlp]: https://blog.csdn.net/zhiyikeji/article/details/125937515?spm=1001.2014.3001.5501
[https_gitee.com_ninesuntec_nlp-entry-practice_blob_master_code_2.pytorch.py]: https://gitee.com/ninesuntec/nlp-entry-practice/blob/master/code/2.pytorch.py
[85e939c05108442dba96d3ccb41ee60a.png_pic_center]: https://img-blog.csdnimg.cn/85e939c05108442dba96d3ccb41ee60a.png#pic_center
[4f663e22cdec4fcf83f5852198eaf0a7.png_pic_center]: https://img-blog.csdnimg.cn/4f663e22cdec4fcf83f5852198eaf0a7.png#pic_center
[pycharm_anaconda_tensorflow]: https://blog.csdn.net/zhiyikeji/article/details/112599958
[anaconda]: https://blog.csdn.net/zhiyikeji/article/details/112599674
[aaae0338da594798b32cad74b67aa6ee.png_pic_center]: https://img-blog.csdnimg.cn/aaae0338da594798b32cad74b67aa6ee.png#pic_center
[8167dccb362f4eb4a9c060dcef348dc3.png_pic_center]: https://img-blog.csdnimg.cn/8167dccb362f4eb4a9c060dcef348dc3.png#pic_center
[fcc729fffc4c474abcda20f0b1c54c3f.png_pic_center]: https://img-blog.csdnimg.cn/fcc729fffc4c474abcda20f0b1c54c3f.png#pic_center
[5defad661c8d4627a54e3c3d18e19da3.png_pic_center]: https://img-blog.csdnimg.cn/5defad661c8d4627a54e3c3d18e19da3.png#pic_center
[b699c22088424b67ac42e29fc99bd670.png_pic_center]: https://img-blog.csdnimg.cn/b699c22088424b67ac42e29fc99bd670.png#pic_center
[2d232645b6c44afa9d11d1d2c36e2888.png_pic_center]: https://img-blog.csdnimg.cn/2d232645b6c44afa9d11d1d2c36e2888.png#pic_center
[9351eb890f554d5d8e7dc15ef1c86f75.png_pic_center]: https://img-blog.csdnimg.cn/9351eb890f554d5d8e7dc15ef1c86f75.png#pic_center
[e4fbc181eab8453cb55ca379809cf0bf.png_pic_center]: https://img-blog.csdnimg.cn/e4fbc181eab8453cb55ca379809cf0bf.png#pic_center
[f5a541ad6d4a4229b6396f179aee54e5.png_pic_center]: https://img-blog.csdnimg.cn/f5a541ad6d4a4229b6396f179aee54e5.png#pic_center
[d6b971d0817141fa997f7193f1f29a1b.png_pic_center]: https://img-blog.csdnimg.cn/d6b971d0817141fa997f7193f1f29a1b.png#pic_center
[0600b844fd5f4f54832edd4825061af0.png_pic_center]: https://img-blog.csdnimg.cn/0600b844fd5f4f54832edd4825061af0.png#pic_center
[e70a82952fa54e4fb023013f4dfca81c.png_pic_center]: https://img-blog.csdnimg.cn/e70a82952fa54e4fb023013f4dfca81c.png#pic_center
[e6721f089d1c4254afaba6e6f3c93d96.png_pic_center]: https://img-blog.csdnimg.cn/e6721f089d1c4254afaba6e6f3c93d96.png#pic_center
[2c6fbfa1ad3b4d5eaaacc22c821e6c6d.png_pic_center]: https://img-blog.csdnimg.cn/2c6fbfa1ad3b4d5eaaacc22c821e6c6d.png#pic_center
[da4acd4e32044c2aaa05e3363c34c4da.png_pic_center]: https://img-blog.csdnimg.cn/da4acd4e32044c2aaa05e3363c34c4da.png#pic_center
[70311ae6d60740b290c58fbd341553c1.png_pic_center]: https://img-blog.csdnimg.cn/70311ae6d60740b290c58fbd341553c1.png#pic_center
[167936f2b86b4c1ab2d8bc3fce34e0db.png_pic_center]: https://img-blog.csdnimg.cn/167936f2b86b4c1ab2d8bc3fce34e0db.png#pic_center
[0ffa12d5c9fd47c58798ca7289d9d1f5.png_pic_center]: https://img-blog.csdnimg.cn/0ffa12d5c9fd47c58798ca7289d9d1f5.png#pic_center
[nlp_]: https://blog.csdn.net/zhiyikeji/article/details/125978333?spm=1001.2014.3001.5501