Pytorch框架的学习与使用_day01
1.序列化语义
保存模型的推荐方法
这里主要有两种方法序列化和恢复模型
第一种（recommend）只保存和加载模型参数
torch.save(the_model.state_dict(), PATH) the_model = TheModelClass(*args, **kwargs) the_model.load_state_dict(torch.load(PATH))
第二种保存和加载整个模型
torch.save(the_model, PATH)
the_model = torch.load(PATH)
然而在这种情况下，序列化的数据被绑定到特定的类和固定的目录机构，所以当在其他项目中使用时，或者在一些严重的重构器之后它可能会以各种方式break。
2.张量Tensors
torch.is_tensor(obj)
如果obj是一个pytorch张量，则返回True
torch.is_storage(obj)
如果obj是一个pytorch storage对象，则返回True
torch.set_default_tensor_type(t)
用于改变tensor中数据的默认类型 如
>>> torch.tensor([1.2, 3]).dtype # initial default for floating point is torch.float32 torch.float32 >>> torch.set_default_dtype(torch.float64) >>> torch.tensor([1.2, 3]).dtype # a new floating point tensor torch.float64
torch.numel(input) -->int
返回input张量中的元素个数 如
>>> a = torch.randn(1, 2, 3, 4, 5) >>>torch.numel(a) 120 >>>b = torch.zeros(4, 4) >>>torch.numel(b) 16
torch.set_printoptions(precision = None, treshold = None, edgeitems = None, linewidth = None, profile = None)
设置打印选项。完全参考自Numpy
其中参数为：
precision - 浮点数输出的精度位数（默认为8）
threshold - 阈值，触发汇总显示而不是完全显示（repr）的数组元素的总数（默认为1000）
edgeitems - 汇总显示中，每维两端显示的项数（默认值为3）
linewidth - 用于插入行间隔的每行字符数（默认为80） Threshold matricies will ignore thi parameter
profile - pretty 打印的完全默认值。可以覆盖上述所有选项（默认为short,full）
3 创建操作 Creation Ops
torch.eye(n, m = None, out = None)
返回一个2维张量，对角线位置全是1，其他位置都是0.
参数：
n(int) - 行数
m(int, optional) - 列数 如果为None，则默认为n
out(tensor，optional) - Output tensor
返回值类型：Tensor
例子：
>>> import torch >>> torch.eye(3) tensor([[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]])
torch.from_numpy(ndarray) -> Tensor
numpy桥，将numpy.ndarray转换为pytorch的Tensor 返回的张量Tensor 和 numpy的ndarray共享同一内存空间，修改一个会导致另外一个也被修改。返回的张量不能改变大小。
>>> a = numpy.array([1, 2, 3]) >>> t = torch.from_numpy(a) >>> t tensor([1, 2, 3], dtype=torch.int32) >>> t[0] = -1 # 共享同一内存空间 >>> a array([-1, 2, 3])
torch.linspace(start, end, steps = 100, out = None) --> Tensor
返回一个1维张量，包含区间start和end上均匀间隔的steps个点。输出1维张量的长度为steps。
参数：
start(float) - 序列的起始点
end(float) - 序列的最终值
steps(int) - 在start和end之间生成的样本数
out(Tensor,optional) - 结果张量
例子：
>>> torch.linspace(3, 10, steps = 5) tensor([ 3.0000, 4.7500, 6.5000, 8.2500, 10.0000]) >>> torch.linspace(-10, 10, steps = 5) tensor([-10., -5., 0., 5., 10.])
torch.logspace(start, end, steps = 100, out = None) -->Tensor
返回一个1维张量，包含在区间10^start和10^end上以对数刻度均匀间隔的steps个点。输出1维张量的长度为steps
参数：
start(float) - 序列的起始点
end(float) - 序列的最终值
steps(int) - 在start和end之间生成的样本数
out(Tensor,optional) - 结果张量
例子：
>>> torch.logspace(start = -10, end = 10, steps = 5) tensor([1.0000e-10, 1.0000e-05, 1.0000e+00, 1.0000e+05, 1.0000e+10]) >>> torch.logspace(start = 0.1, end = 1.0, steps = 5) tensor([ 1.2589, 2.1135, 3.5481, 5.9566, 10.0000])
torch.ones(*sizes, out = None) -->Tensor
返回一个全为1的张量，形状由可变参数sizes定义
参数：
sizes(int...) - 整数序列，定义了输出形状
out(Tensor, optional) - 结果张量
例子：
>>> torch.ones(2, 3) tensor([[1., 1., 1.], [1., 1., 1.]]) >>> torch.ones(5) tensor([1., 1., 1., 1., 1.])
torch.rand(*sizes, out = None) -->Tensor
返回一个张量，包含了从区间[0,1)的均匀分布中抽取的一组随机数，形状由可变参数sizes定义
参数：
sizes(int...) - 整数序列，定义了输出形状
out(Tensor, optional) - 结果张量
例子：
tensor([1., 1., 1., 1., 1.]) >>> torch.rand(4) tensor([0.0604, 0.8474, 0.3680, 0.2867]) >>> torch.rand(2, 3) tensor([[0.2124, 0.1746, 0.1262], [0.0501, 0.6094, 0.1288]])
torch.randn(*sizes, out = None) -->Tensor
返回一个张量，包含了从标准正态分布中抽取一字随机数，形状由可变参数sizes定义
参数：
sizes(int...) - 整数序列，定义了输出形状
out(Tensor, optional) - 结果张量
例子：
>>> torch.randn(4) tensor([-1.5939, -0.5135, 0.7069, -0.4224]) >>> torch.randn(2,3) tensor([[-0.3005, 0.3611, 1.7078], [ 0.5721, 1.2918, 0.4820]])
torch.randperm(n, out = None) -->LongTensor
给定参数n，返回一个从0到n-1的随机整数排列
参数：
n(int) - 上边界（不包含）
例子：
>>> torch.randperm(4) tensor([2, 3, 1, 0]) >>> torch.randperm(8) tensor([2, 4, 5, 1, 3, 0, 7, 6])
torch.arange(start, end, step = 1, out = None) -->Tensor
返回一个1维张量，长度为floor((end - start)/step).包含从start到end，以step为补偿的一组序列值，默认步长是1
start(float) - 序列的起始点
end(float) - 序列的最终值
steps(float) - 相邻点的间隔大小
out(Tensor,optional) - 结果张量
例子：
>>> torch.arange(4) tensor([0, 1, 2, 3]) >>> torch.arange(1,4) tensor([1, 2, 3]) >>> torch.arange(1, 2.5, 0.5) tensor([1.0000, 1.5000, 2.0000])
torch.zeros(*sizes, out = None) --> Tensor
返回一个全为标量0的张量，形状由可变参数sizes定义
参数：
sizes(int...) - 整数序列，定义了输出形状
out(Tensor, optional) - 结果张量
例子：
>>> torch.zeros(2, 3) tensor([[0., 0., 0.], [0., 0., 0.]]) >>> torch.zeros(5) tensor([0., 0., 0., 0., 0.])
