pytorch应用（入门1）

Source

目录

之前一直是拿一个个项目来学pytorch，感觉不是很系统，借着假期的机会系统学一下。预计先把入门的知识一周学完吧。

学习用具

《深度学习入门之Pytorch》廖星宇

在Z-library上能搜到。
conda命令一定要会

英伟达官方驱动

在这里插入图片描述

在这里插入图片描述

先运行下以下代码：

import torch
print(torch.cuda.is_available())

我的返回是False

于是我开始了求索之路。打开命令行，输入 nvidia-smi，查看自己的 Driver Version
在这里插入图片描述
Driver Version: 516.94
CUDA Version: 11.7
然后我又进行了一遍：
在这里插入图片描述
？？？？什么鬼

最后应该是CUDA版本和pytorch不匹配吧。算了，能用就行，回头再说……
编程熟练才是王道。

张量的定义和运算

import torch

a=torch.Tensor([[2,3],[4,8],[7,9]]) # 三行两列的矩阵

print('a is {}'.format(a))
print('a size is {}'.format(a.size()))

我费了好大劲，不知道为啥我的VScode运行不了pytorch，老是显示有错误。我放到jupyter notebook上之后就好了……

运行结果：

a is tensor([[2., 3.],
        [4., 8.],
        [7., 9.]])
a size is torch.Size([3, 2])

上面的代码内容牵扯到的语法教程

torch.rand_like 就是和第一个参数的shape是一样的。也是随机数。

接下来就是把书中的例子都练一遍。

import torch

b=torch.LongTensor([[2,3],[4,8],[7,9]])
print(b)

print()

c = torch.zeros((3, 2))
print('zero tensor: {}'.format(c))

运行结果：

tensor([[2, 3],
        [4, 8],
        [7, 9]])

zero tensor: tensor([[0., 0.],
        [0., 0.],
        [0., 0.]])

Variable（变量）

在这里插入图片描述
在这里插入图片描述

from torch.autograd import Variable # torch 中 Variable 模块
# Create Variable
x = Variable(torch.Tensor([1]), requires_grad=True) #True表示对这个变量求梯度，本来默认的False
w = Variable(torch.Tensor([2]), requires_grad=True)
b = Variable(torch.Tensor([3]), requires_grad=True)

# Build a computational graph. 创建一个计算图
y=w*x+b # y=2*x+3

# Compute gradients  下面这一行就是自动求导
y.backward()  # same as y .backward(torch.FloatTensor([1]))

# Print out the gradients.
print(x.grad)# x.grad = 2
print(w.grad)# w.grad = 1
print(b.grad)# b.grad = 1

又TM报错了
NameError: name ‘Variable’ is not defined
我￥……￥（&%…………*…………&￥%

吆西，得导入from torch.autograd import Variable # torch 中 Variable 模块

运行成功！

tensor([2.])
tensor([1.])
tensor([1.])

不过，对于标量求导，里面的参数就可以不写了，自动求导不需要你再去明确地写明哪个函数对哪个函数求导，直接通过这行代码就能对所有的需要梯度的变量进行求导，得到它们的梯度，然后
通过x. grad可以得到x的梯度。注意，这里没有括号。

做矩阵求导

x = torch.randn(3)
x = Variable(x, requires_grad=True)
y=x*2
print(y)
y.backward(torch.FloatTensor([1,0.1,0.01]))
print(x.grad)
# print(y.grad)  y没有梯度

运行结果：

tensor([-0.8490, -1.3609,  2.9927], grad_fn=<MulBackward0>)
tensor([2.0000, 0.2000, 0.0200])

在这里插入图片描述
如果取消上段代码的注释，会有以下效果。
在这里插入图片描述

Dataset数据集

官方API文档：https://pytorch.org/vision/stable/datasets.html
torch.utils.data.Dataset是代表这一数据的抽象类，你可以自己定义你的数
据类继承和重写这个抽象类，非常简单，只需要定义_len_ 和_getitem_ 这两个函数（长下面这样）：

在这里插入图片描述

通过上面的方式，可以定义我们需要的数据类，可以通过迭代的方式来取得每一个数据，但是这样很难实现取batch, shuffle 或者是多线程去读取数据，所以PyTorch中提供了一个简单的办法来做这个事情，通过torch. utils. data. DataLoader来定义一个新的迭代器，如下:（以后基本都用这个，上面的那个有些项目中也用，看懂就行）

dataiter = DataLoader (myDataset, batch size=32,shuffle=True,collate_fn=default_collate)

collate_fn表示如何获取样本。
但是！！！我看的书中对于这个类的操作逻辑并没有讲明白，反而给身为读者的我一种只要在这两种方法里选择一种的方法就行，但是不是的。看下面的文章你就明白了。
两步走

具体的操作逻辑

ImageFolder
在这里插入图片描述
其中的root需要是根目录，在这个目录下有几个文件夹，每个文件夹表示一个类别: transform 和target_transform 是图片增强;

loader 是图片读取的办法，因为我们读取的是图片的名字，然后通过loader将图片转换成我们需要的图片类型进人神经网络。

加载数据集的基础运用部分到此就算结束了。