快捷導(dǎo)航

Pytorch環(huán)境搭建與基本語(yǔ)法

更新時(shí)間：2020年06月03日 08:32:02 作者：磐創(chuàng)AI

這篇文章主要介紹了Pytorch環(huán)境搭建與基本語(yǔ)法，本文給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下

來(lái)源 | OpenCV學(xué)堂

作者 | gloomyfish

基本思路選擇

以前我用過(guò)Caffe，用過(guò)tensorflow，最近一直在用pytorch感覺(jué)特別好用。所以打算寫(xiě)點(diǎn)我學(xué)習(xí)的過(guò)程跟經(jīng)驗(yàn)，如果你是一個(gè)pytorch的高手自然可以忽略，如果你也打算學(xué)習(xí)pytorch框架，那就跟我一起學(xué)習(xí)吧，所謂獨(dú)學(xué)而無(wú)友，孤陋而寡聞！

pytorch安裝

01

演示系統(tǒng)環(huán)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=10.0 -c pytorch

測(cè)試安裝是否正常, CUDA支持正常

測(cè)試結(jié)果一切正常！

安裝的時(shí)候你還可以更直接點(diǎn)

pip install pytorch torchvision

就好啦！我知道很多人喜歡用各種python的工具跟IDE做開(kāi)發(fā)，那些都是個(gè)人愛(ài)好，喜歡就好，但是千萬(wàn)別強(qiáng)迫別人跟你一樣！有IDE強(qiáng)迫癥！我從開(kāi)始學(xué)習(xí)python就一直用pycharm！千萬(wàn)別問(wèn)我好用不好用，方便不方便！覺(jué)得適合自己即可。

Pytorch基本語(yǔ)法演示

02

演示了pytorch中基本常量、變量、矩陣操作、CUDA調(diào)用，numpy與tensor轉(zhuǎn)化，維度轉(zhuǎn)化，自動(dòng)梯度等基本知識(shí)。代碼如下：

from __future__ import print_function
import torch
import numpy as np

print(torch.__version__)

# 定義矩陣
x = torch.empty(2, 2)
print(x)

# 定義隨機(jī)初始化矩陣
x = torch.randn(2, 2)
print(x)

# 定義初始化為零
x = torch.zeros(3, 3)
print(x)

# 定義數(shù)據(jù)為tensor
x = torch.tensor([5.1, 2., 3., 1.])
print(x)

# 操作
a = torch.tensor([1.,2.,3.,4.,5.,6.,7.,8.])
b = torch.tensor([11.,12.,13.,14.,15.,16.,17.,18.])
c = a.add(b)
print(c)

# 維度變換 2x4
a = a.view(-1, 4)
b = b.view(-1, 4)
c = torch.add(a, b)
print(c, a.size(), b.size())

# torch to numpy and visa
na = a.numpy()
nb = b.numpy()
print("\na =",na,"\nb =", nb)

# 操作
d = np.array([21.,22.,23.,24.,25.,26.,27.,28.], dtype=np.float32)
print(d.reshape(2, 4))
d = torch.from_numpy(d.reshape(2, 4))
sum = torch.sub(c, d)
print(sum, "\n sum = ", sum.size())

# using CUDA
if torch.cuda.is_available():
 result = d.cuda() + c.cuda()
 print("\n result = ", result)

# 自動(dòng)梯度
x = torch.randn(1, 5, requires_grad=True)
y = torch.randn(5, 3, requires_grad=True)
z = torch.randn(3, 1, requires_grad=True)
print("\nx=",x, "\ny=",y, "\nz=",z)
xy = torch.matmul(x, y)
xyz = torch.matmul(xy, z)
xyz.backward()
print(x.grad, y.grad, z.grad)

運(yùn)行輸出結(jié)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 = [[1. 2. 3. 4.]
[5. 6. 7. 8.]]
b = [[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 = torch.Size([2, 4])

result = tensor([[33., 36., 39., 42.],
        [45., 48., 51., 54.]], device='cuda:0')

x= tensor([[ 0.3029, -0.4030, -0.9148, -0.9237, 0.7549]], requires_grad=True)
y= 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=True)
z= tensor([[ 1.4343],
        [ 2.2974],
        [-0.0864]], requires_grad=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]])