Pytorch 是一种开源机器学习框架，可加速从研究原型设计到生产部署的过程，备忘单是 官网
备忘清单为您提供了 Pytorch 基本语法和初步应用参考

入门

介绍

• Pytorch 官网 (pytorch.org)
• Pytorch 官方备忘清单 (pytorch.org)

认识 Pytorch

from __future__ import print_function
import torch
x = torch.empty(5, 3)
>>> print(x)
tensor([
    [2.4835e+27, 2.5428e+30, 1.0877e-19],
    [1.5163e+23, 2.2012e+12, 3.7899e+22],
    [5.2480e+05, 1.0175e+31, 9.7056e+24],
    [1.6283e+32, 3.7913e+22, 3.9653e+28],
    [1.0876e-19, 6.2027e+26, 2.3685e+21]
])

Tensors 张量: 张量的概念类似于Numpy中的ndarray数据结构, 最大的区别在于Tensor可以利用GPU的加速功能.

创建一个全零矩阵

x = torch.zeros(5, 3, dtype=torch.long)
>>> print(x)
tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])

创建一个全零矩阵并可指定数据元素的类型为long

数据创建张量

x = torch.tensor([2.5, 3.5])
>>> print(x)
tensor([2.5000, 3.3000])

Pytorch 的基本语法

加法操作(1)

y = torch.rand(5, 3)
>>> print(x + y)
tensor([[ 1.6978, -1.6979,  0.3093],
        [ 0.4953,  0.3954,  0.0595],
        [-0.9540,  0.3353,  0.1251],
        [ 0.6883,  0.9775,  1.1764],
        [ 2.6784,  0.1209,  1.5542]])

加法操作(2)

>>> print(torch.add(x, y))
tensor([[ 1.6978, -1.6979,  0.3093],
        [ 0.4953,  0.3954,  0.0595],
        [-0.9540,  0.3353,  0.1251],
        [ 0.6883,  0.9775,  1.1764],
        [ 2.6784,  0.1209,  1.5542]])

加法操作(3)

# 提前设定一个空的张量
result = torch.empty(5, 3)
# 将空的张量作为加法的结果存储张量
 torch.add(x, y, out=result)
>>> print(result)
tensor([[ 1.6978, -1.6979,  0.3093],
        [ 0.4953,  0.3954,  0.0595],
        [-0.9540,  0.3353,  0.1251],
        [ 0.6883,  0.9775,  1.1764],
        [ 2.6784,  0.1209,  1.5542]])

加法操作(4)

y.add_(x)
>>> print(y)
tensor([[ 1.6978, -1.6979,  0.3093],
        [ 0.4953,  0.3954,  0.0595],
        [-0.9540,  0.3353,  0.1251],
        [ 0.6883,  0.9775,  1.1764],
        [ 2.6784,  0.1209,  1.5542]])

注意: 所有 in-place 的操作函数都有一个下划线的后缀。
比如 x.copy_(y), x.add_(y), 都会直接改变x的值

张量操作

>>> print(x[:, 1])
tensor([-2.0902, -0.4489, -0.1441,  0.8035, -0.8341])

张量形状

x = torch.randn(4, 4)
# tensor.view()操作需要保证数据元素的总数量不变
y = x.view(16)
# -1代表自动匹配个数
z = x.view(-1, 8)
>>> print(x.size(), y.size(), z.size())
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

取张量元素

x = torch.randn(1)
>>> print(x)
>>> print(x.item())
tensor([-0.3531])
-0.3530771732330322

Torch Tensor 和 Numpy array互换

a = torch.ones(5)
>>> print(a)
tensor([1., 1., 1., 1., 1.])

Torch Tensor和Numpy array共享底层的内存空间, 因此改变其中一个的值, 另一个也会随之被改变

Torch Tensor 转换为 Numpy array

b = a.numpy()
>>> print(b)
[1. 1. 1. 1. 1.]

Numpy array转换为Torch Tensor

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
>>> print(a)
>>> print(b)
[2. 2. 2. 2. 2.]
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

注意: 所有在CPU上的Tensors, 除了CharTensor, 都可以转换为Numpy array并可以反向转换.

squeeze函数

>>> x = torch.rand(1, 2, 1, 28, 1)

# squeeze不加参数，默认去除所有为1的维度
>>> x.squeeze().shape
torch.Size([2, 28])

# squeeze加参数，去除指定为1的维度
>>> x.squeeze(dim=0).shape
torch.Size([2, 1, 28, 1])

# squeeze加参数，如果不为1，则不变
>>> x.squeeze(1).shape
torch.Size([1, 2, 1, 28, 1])

# 既可以是函数，也可以是方法
>>> torch.squeeze(x,-1).shape
torch.Size([1, 2, 1, 28])

unsqueeze函数

>>> x = torch.rand(2, 28)
# unsqueeze必须加参数，    _ 2 _ 28 _
>>> x.unsqueeze(0).shape  
# 参数代表在哪里添加维度    0   1    2
torch.Size([1, 2, 28])        
# 既可以是函数，也可以是方法
>>> torch.unsqueeze(x, -1).shape
torch.Size([2, 28, 1])

Cuda 相关

检查 Cuda 是否可用

>>> import torch.cuda
>>> torch.cuda.is_available()
>>> True

列出 GPU 设备

import torch

device_count = torch.cuda.device_count()
print("CUDA 设备")

for i in range(device_count):
    device_name = torch.cuda.get_device_name(i)
    total_memory = torch.cuda.get_device_properties(i).total_memory / (1024 ** 3)
    print(f"├── 设备 {i}: {device_name}, 容量: {total_memory:.2f} GiB")

print("└── (结束)")

将模型、张量等数据在 GPU 和内存之间进行搬运

import torch
# 将 0 替换为您的 GPU 设备索引或者直接使用 "cuda"
device = f"cuda:0"
# 移动到GPU
tensor_m = torch.tensor([1, 2, 3])
tensor_g = tensor_m.to(device)
model_m = torch.nn.Linear(1, 1)
model_g = model_m.to(device)
# 向后移动
tensor_m = tensor_g.cpu()
model_m = model_g.cpu()

导入 Imports

一般

# 根包
import torch

数据集表示和加载

from torch.utils.data import Dataset, DataLoader

神经网络 API

# 计算图
import torch.autograd as autograd
# 计算图中的张量节点
from torch import Tensor

神经网络

import torch.nn as nn

# 层、激活等
import torch.nn.functional as F
# 优化器，例如 梯度下降、ADAM等
import torch.optim as optim

混合前端装饰器和跟踪 jit

from torch.jit import script, trace

ONNX

torch.onnx.export(model, dummy data, xxxx.proto)
# 导出 ONNX 格式
# 使用经过训练的模型模型，dummy
# 数据和所需的文件名

加载 ONNX 模型

model = onnx.load("alexnet.proto")

检查模型，IT 是否结构良好

onnx.checker.check_model(model)

打印一个人类可读的，图的表示

onnx.helper.printable_graph(model.graph)

Torchscript 和 JIT

torch.jit.trace()

使用你的模块或函数和一个例子，数据输入，并追溯计算步骤，数据在模型中前进时遇到的情况

@script

装饰器用于指示被跟踪代码中的数据相关控制流

Vision

# 视觉数据集，架构 & 变换
from torchvision import datasets, models, transforms
# 组合转换
import torchvision.transforms as transforms

分布式训练

# 分布式通信
import torch.distributed as dist
# 内存共享进程
from torch.multiprocessing import Process

另见

• Pytorch 官网 (pytorch.org)
• Pytorch 官方备忘清单 (pytorch.org)