---

前言

记录一些pytorch的基本使用方法。

---

一、导入库

import torch
from torch.autograd import Variable # 自动求导变量
from torch import nn, optim # 网络层与优化器
from torch.utils.data import TensorDataset, DataLoader # 数据集迭代器

二、张量

1.创建张量

从列表生成：a = torch.tensor([1,2,3], dtype=int)
全1全0：torch.ones(shape)，torch.zeros(shape)
整数序列[m,n)：torch.arrange(m,n)
随机数[0,1)：torch.rand(3,4)
随机整数[m,n)：torch.randint(m,n,shape)
正态分布：torch.randn()
相同形状随机数：b = torch.rand_like(a, dtype=float)

2.属性与方法

维度：a.ndim；形状：a.shape，a.size()
数值：a[0].item()
类型转换：a.float()，a.type(torch.float32)

3.numpy转换

array = np.array(tensor)
tensor = torch.from_numpy(array)
tensor = torch.tensor(array)

4.维度变换

b = a.view(shape) 
b = a.reshape(shape) 

5.运算操作

a+b，torch.add(a,b[,out=c])， a.add_(b)
a-b，a*b，a/b， a%b，a//b，a**m
平方根：torch.sqrt(a)
矩阵乘法：torch.matmul(a, b)
转置：a.T
求和：torch.sum(a)
均值：.mean(a)，中位数：.median(a)
最值：torch.max/min/argmax/argmin(a)

三、自动求导

x = torch.ones(shape, requires_grad=True)
y = x * x
y.backward()
grad = x.grad

四、模型保存

1、保存模型：
torch.save(model.state_dict(), 'model.pth')
2、载入模型
model.load_state_dict(torch.load('model.pth'))

五、模型定义

1.层连接

# 层
nn.Linear(in_features, out_features)
nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding)
nn.MaxPool2d(kernel_size,stride)
nn.LSTM(input_size, hidden_size, num_layers, batch_first)
# 激活函数
self.tanh = nn.Tanh()
self.relu = nn.ReLU()
self.softmax = nn.Softmax(dim=1)
# 模型序列
self.fc = nn.Sequential(nn.Linear(784,128), nn.ReLU())
self.conv = nn.Sequential(nn.Conv2d(32,64,5,1,2), nn.ReLU(), nn.MaxPool2d(2,2))
self.lstm = nn.LSTM(input_size=28, hidden_size=64, num_layers=1, batch_first=True)

2.损失函数

nn.MSELoss()
nn.CrossEntropyLoss()

3.优化器

optim.SGD(model.parameters(), lr=0.1)
optim.Adam(model.parameters(), lr=0.001)

---

总结

pytorch的张量操作与numpy数组基本一致。模型保存只保存参数，加载时需要重新定义模型。采用继承类的形式来定义模型，在初始化中设置模型参数，在方法中进行前向传播，注意按层要求修改数据形状。