PyTorch 概览

目录

安装

深度学习库的优势

参考教程：https://www.bilibili.com/video/BV1Rv411y7oE

  1. 提供 GPU 加速；
  2. 自动求导；
  3. 常用 API

Tensor 运算

  • Torch.add
  • Torch.mul
  • Torch.matmul
  • Torch.view
  • Torch.expand
  • Torch.cat
  • ...

神经网络

对不同层数有不同的接口

  • Nn.Linear 全连接层
  • Nn.ReLU 激活函数
  • Nn.Conv2d 2d卷积操作
  • Nn.Softmax
  • Nn.Sigmoid 激活函数
  • Nn.CrossEntropyLoss 交叉熵损失计算函数
  • ...

测试运行时间

import torch
import time

print(torch.__version__)
print(torch.cuda.is_available())

a = torch.randn(10000, 1000)
b = torch.randn(1000, 2000)

t0 = time.time()
c = torch.matual(a,b)
print(time.time() - t0)
print(a.device, c.norm(2))

device = torch.device('cuda')
a = a.to(device)
b = b.to(device)

t1 = time.time()
c = torch.matual(a,b)

# 第一次运行会进行环境的初始化，时间反而比 CPU 长；再次运行就会比较准确的反应运算时间
print(time.time() - t1)
print(a.device, c.norm(2))


t2 = time.time()
c = torch.matual(a,b)
print(time.time() - t2)
print(a.device, c.norm(2))

测试求导

import torch
from torch import autograd  

x = torch.tensor(1.)
a = torch.tensor(1.,requires_grad = True)
b = torch.tensor(2.,requires_grad = True)
c = torch.tensor(3.,requires_grad = True)

y = a**2*x + b * x + c

print('before:',a.grad, b.grad, c.grad)
grads = autograd.grad(y, [a,b,c])
print('after:',grads[0], grads[1], grads[2])

'''
before: None None None
after: tensor(2.) tensor(1.) tensor(1.)
'''

神经网络结构再深，也是一系列函数的嵌套；因此可以使用 pytorch 对输出的 loss，对中间的每一个 weight 求导，这样进行更新的时候很方便。

相关资料

posted @ 2021-02-02 09:17  月思  阅读(95)  评论(0)  编辑  收藏  举报