7.0 KiB

Raw Permalink Blame History

py torch——简单的初学者参考

原文：https://www.askpython.com/python-modules/pytorch

PyTorch 在短短四年前首次亮相，是风靡数据科学行业的模块之一。

它为用户提供了文档完整的代码、教程和示例，帮助他们开始使用 PyTorch，在数据科学家和研究人员看来，这是一个巨大的成功。

PyTorch 的创造者也是致力于 TorchVision 和 TorchText 的人，这两个模块被认为在计算机视觉和自然语言处理领域非常有用。

PyTorch 是一个主要基于使用 Python 中的张量和动态神经网络的模块，但是也可以扩展到使用不同的领域。

如果您想与 PyTorch 合作，我们可以帮助您从这里开始！

还建议使用 Anaconda 进行数据科学和机器学习，所以，你可能也想了解一下。

安装 PyTorch

PyTorch 官方网站为我们提供了一个简单的界面，我们可以根据您的发行版和操作系统来使用和检索所需的安装命令。

如果您希望将正常环境与数据科学环境分开，您应该考虑创建虚拟环境。

Pick your flavor of PyTorch

稍微摆弄一下，为您的本地 PyTorch 库选择一个合适的版本，然后我们就可以进去使用 PyTorch 了。

从 PyTorch 开始

如果你已经安装了 PyTorch，太好了！我们现在都准备好开始工作了。

1.0 张量？

如果你曾经在 Python 中处理过大型矩阵，你可能会使用 NumPy 。这是因为 NumPy 在处理多维数组时提供了强大的支持，允许在 n 维数组上处理各种不同的操作。

PyTorch 用张量技术给这个领域带来了竞争。

张量在某种意义上是多维数组，很像 NumPy 所提供的。然而，不同之处在于，在与 GPU 一起工作时，张量得到了很好的支持。

谷歌的 Tensorflow 也在张量上运行，以处理和处理数据。

那么，我们如何开始使用张量和 PyTorch 呢？让我们找出答案。

1.1.进口火炬

我们已经知道，使用任何模块都首先需要一个导入来将它包含在脚本中。因此，我们就这么做吧，

# Importing torch to use in the script.
import torch

1.2.创建张量

使用torch模块创建张量(本质上是矩阵)非常简单。这里有一些初始化/创建张量对象的方法。

# Creating tensors with strict numbers
ten1 = torch.tensor(5)
ten2 = torch.tensor(8)
print(ten1, ten2)
# Output : tensor(5) tensor(8)

# Creating a matrix of zeros using the zeros function
ten3 = torch.zeros((3, 3))
print(ten3)
# tensor([[0., 0., 0.],
          [0., 0., 0.],
          [0., 0., 0.]])

# Creating a matrix of random numbers
ten4 = torch.randn(3, 3)
print(ten4)
# tensor([[-0.9685, 0.7256, 0.7601],
          [-0.8853, 0.4048, -1.0896],
          [0.6743, 1.5665, 0.2906]])

1.3.基本张量运算

张量在很多方面都可以使用，就像 NumPy 模块创建的矩阵一样。

我们可以进行基本的数字运算，

firstten = torch.tensor(3)
secondten = torch.tensor(6)

# Addition of tensors
print(firstten + secondten)
# Output : tensor(9)

# Subtraction of tensors
print(firstten - secondten)
# Output : tensor(-3)

# Multiplication of tensors
print(firstten * secondten)
# Output : tensor(18)

# Division of tensors
print(firstten / secondten)
# Output : tensor(0.5000)

1.4.与张量一起前进

张量不仅仅可以用于简单的运算，在 Python 中，简单的运算通常可以用变量来完成。

它们支持对它们执行多种操作，通常在 PyTorch 脚本的许多操作中用作变量。

用类似矩阵乘法 torch.mm的函数，创建等间距张量torch.linspace，用类似torch.sin(x)的数学函数处理数学函数。

毫不奇怪，所提供的功能允许嵌入数学方法的深度计算。

如果你希望通过例子来研究张量的工作，你可能希望看这里的。

下一步是什么？

除了使用通常的张量和默认提供的函数之外，研究 PyTorch 提供的另一个模块可能会有所帮助。

张量本身终究只是一个基础。真正的力量在于模块提供的使用这种媒介进行计算的应用程序用法。

PyTorch 为我们提供了为与神经网络一起工作而设计的模块，称为torch.nn。

torch.nn模块包含各种各样的功能来帮助它执行基于神经网络的操作，

使用 PyTorch 作为数据科学模块的下一步就是处理这些问题。

结论

PyTorch 仍在开发中，但它提供的功能被广泛认为优于许多数据科学模块。

有大量的模块被创建来与 PyTorch 兼容，也有大量的资源帮助使用它们。

PyTorch 是一个开源项目，这意味着您可以参与该项目并为其未来版本做出贡献。

这里是 GitHub 链接，这里是为了开源！干杯！

查看我们的其他文章，这些文章将对您的数据科学项目有所帮助——Pandas和使用 sklearn 进行培训和测试。

参考

【PyTorch 官方文档
【PyTorch 入门教程
使用 PyTorch 的资源

7.0 KiB Raw Permalink Blame History Unescape Escape