pytorch作用：能在GPU中做矩阵运算

一、安装

①cpu和gpu版本的pytorch安装

• 输入查看pytorch版本

import torch
torch.__version__

• 输出

'1.3.0+cpu'

②安装cuda tookit（记得cuda版本和pytorch对应上）

二、基本使用方法

①创建一个矩阵

x = torch.empty(5,3)
x

②获得随机值

x = torch.rand(5,3) #5行3列矩阵
x

③初始化全零矩阵

x = torch.zeros(5,3,dtype=torch.long)
x

④直接传入数据

x = torch.tensor{[5.5,3]}
x

⑤构建矩阵，然后随机元素值

⑥展示矩阵大小

x.size()

⑦矩阵计算

y = torch.rand(5,3)
x + y 或 torch.add(x,y)

8、取索引

x[:,1]

这里x是这个

9、view操作：改变矩阵维度

x = torch.randn(4,4)
y = x.view(16)
z = x.view(-1,8)  #-1表示自动取计算

10、与numpy的协同操作

• tensor转换成numpy的支持格式

a = torch.ones(5)
b = a.numpy()
b

• numpy转tensor的操作

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
b

三、自动求导机制

1）定义tensor成可求导的

x = torch.randn(3,4,requires_grad=True)
x
或
x = torch.randn(3,4)
x.requires_grad=True
x

2）演示框架进行反向传播流程

①先相加计算，并调用sum接口

②开始反向传播

y.backward()
b.grad

可以看到对b求导就得1
③看requires_grad是true还是false（前面backward用到来求导就为true）


计算流程

查看叶子

3）反向传播计算（由z对其他求导）

注意：
不清零梯度默认累加，可以看到对z对b求导可以一直累加1

四、做一个线性回归模型

①输入数据并转成矩阵格式（注意这里的格式不是tensor而是np.array）

②输入y，这里y=2x+1

③导入torch

import torch
import torch.nn as nn

④线性回归模型代码

写出类和构造函数，这里继承nn.module模块类

构建输入和输出参数

⑤执行好参数和损失函数

1、按照1000次一个batch来训练
2、指定学习率.0.01
3、指定优化器SGD
4、指定优化器优化参数，也就是model.parameters()
5、指定损失函数MSELoss（计算真实值和预测值之间的误差）

⑥开始训练模型

1、把numpy格式转为tensor格式
2、梯度要清零每次迭代
3、前向转播
4、计算损失
5、反向传播（把梯度求出来但是没进行权重参数更新）
6、更新权重参数(每隔50次打印下损失值)

⑦测试模型预测结果

得出结果再转为numpy

⑧模型的保存于读取

torch.save(model.state_dict(), 'xxx')
model.load_state_dict(torch.laod('model.pkl'))

⑨用gpu进行训练

这里圈出来的是，如果cuda版本合适用GPU跑，不然用cpu跑

传到gpu设备训练

五、常见tensor格式

1）scalar：一个数值
2）vector：向量
3）matrix：矩阵
4）n-dimensional tensor 高纬度数据

1）scalar介绍

2）vector：特征，比如身高、体重、年龄，形成一种人的特征（多个值）

词向量：用多维的向量数值表达一个词的意思

3）Matrix：矩阵，一般都是多维

4）n-dimensional tensor

六、Hub模块介绍

• 介绍
  调用别人训练好的模型
• 举例
  ①比如说选择对象识别的模型
  
  ②点开实验环境
  

③会有怎么使用的介绍

1）通用github介绍使用地址

有很多模型使用说明