＜从零开始pytorch＞:01-torch的基本使用方法和线性回归模型

• 记录pytorch的学习过程 – 备注多,方便查阅

1. torch的基本使用方法
2. 实现一个线性回归模型并测试

import torch
torch.__version__

'1.8.0+cpu'

1.torch基本的使用方法`

1.1创建一个矩阵0矩阵

x = torch.empty(5,3)
x

tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])

1.2创建一个随机值

x = torch.randn(5,3)
x

tensor([[ 0.9290,  0.8528, -0.4443],
        [ 1.0932, -0.7507, -0.2703],
        [ 0.2908, -1.6405, -0.6977],
        [ 0.0574,  0.1044,  0.0233],
        [ 0.0722,  0.1150,  0.3934]])

1.3构建一个全0矩阵

x = torch.zeros(5,3)
x

tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])

1.4直接输入数据

x = torch.tensor([5.5,3])
x

tensor([5.5000, 3.0000])

1.5 view操作可以改变矩阵的维度

x = torch.randn(4,4)
y = x.view(16)
z = x.view(-1,8)
x.shape,y.shape,z.shape

(torch.Size([4, 4]), torch.Size([16]), torch.Size([2, 8]))

1.6 Pytorch的自动求导机制

1.6.1 需要求导的,可以手动定义

# 方法1 
x = torch.randn(3,4,requires_grad=True)
x

tensor([[-0.9228,  0.5714, -0.6876,  1.9532],
        [-0.3574, -0.3873, -1.8445, -1.2344],
        [-0.7455, -0.2275, -2.0875, -0.5985]], requires_grad=True)

# 方法2
x = torch.randn(