pytorch教程（学习笔记）——tensor操作+模型实例（线性回归、LR、MLP）

最新推荐文章于 2025-03-14 14:46:31 发布

叶青古

最新推荐文章于 2025-03-14 14:46:31 发布

阅读量810

点赞数 2

分类专栏： python ML/DL/数据结构与算法自用文章标签： pytorch python 深度学习

本文链接：https://blog.youkuaiyun.com/qq_31681523/article/details/119859781

版权

这篇博客介绍了PyTorch的基础，包括张量操作、自动微分，以及线性回归、逻辑回归（LR）和多层感知机（MLP）的实现。内容涵盖张量的创建、转换、运算及形状变换，还讲解了张量的自动微分功能，并提供了模型实例的代码示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

突然翻出了蛮早之前做的pytorch学习笔记，整理了一下决定发成博客方便复习，当时根据视频资料和网页资料整理的，视频资料现在找不到了，后面找到了再进行补充；网上的博客资料标在文中对应位置。

一.pytorch安装

安装的话就不细说了，随便找个博客照着装一下就行。我一般都是先装包环境管理工具anaconda，然后搭建虚拟环境，在虚拟环境中安装pytorch。
教程：https://blog.youkuaiyun.com/qq_32863549/article/details/107698516

二.pytorch基础

1.pytorch张量与数据类型

pytorch最基本的操作单位是：张量（tensor），它表示一个多维矩阵。
tensor类似于numpy的adarray；
pytorch类似于能让tensor操作在GPU上加速运行的numpy。

#使用dtype规定，使用tensor_a.type()查看
torch.float32 #等价于torch.FloatTensor
torch.float64
torch.int16
torch.int32
torch.int64
#张量进行类型转换 tensor.type()
tensor = torch.ones(2,3,dtype=torch.float64)
print(tensor)
print(tensor.type(torch.int16))
#output
tensor([[1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)
tensor([[1, 1, 1],
        [1, 1, 1]], dtype=torch.int16)

2.张量基本操作

(1).构建张量

构建一个随机初始化张量：torch.rand()

a = torch.rand(2,3,dtype=torch.float64)
#output
tensor([[0.7320, 0.7675, 0.8107],
        [0.0359, 0.9635, 0.0936]], dtype=torch.float64

全0矩阵：torch.zeros()
全1矩阵：torch.ones()

a = torch.zeros(2,3)
a = torch.ones(2,3)
#ouput
tensor([[0., 0., 0.],
        [0., 0., 0.]])
tensor([[1., 1., 1.],
        [1., 1., 1.]])

直接从数据构造张量：torch.tensor()

tensor = torch.tensor([1,2,3])
#output
tensor([1, 2, 3])

按顺序构建：torch.range()和torch.arange()
这两个方法的区别：
torch.arange(start=1, end=6)的范围是[0,6)，类型是torch.LongTensor。
torch.range(start=1, end=6) 的范围是[0,6]，类型是torch.FloatTensor。
注意：torch.range会提示在后续版本弃用，如下：

import torch
x = torch.arange(0, 6)
print(x)
print(x.type())
y = torch.range(0, 6)
print(y)
print(y.type())
#output
tensor([0, 1, 2, 3, 4, 5])
torch.LongTensor
tensor([0., 1., 2., 3., 4., 5., 6.])
torch.FloatTensor
D:/project/mine_project/test.py:17: UserWarning: torch.range is deprecated and will be removed in a future release because its behavior is inconsistent with Python's range builtin. Instead, use torch.arange, which produces values in [start, end).
  y = torch.range(0, 6)

(2).size()、shape

查看张量size/shape：a.shape / a.size()

a = torch.ones(2,3)
print(a.shape)
print(a.size())
#output
torch.Size([2, 3])
torch.Size([2, 3])

(3).adarray与tensor之间转换

adarray转tensor：torch.from_numpy(numpy矩阵)
tensor转adarray：tensor矩阵.numpy()

a = np.random.rand(2,3)
a = torch.from_numpy(a)
print(a)
a = a.numpy()
print(a)
#output
tensor([[0.2882, 0.0426, 0.2148],
        [0.1452, 0.7684, 0.3942]], dtype=torch.float64)
[[0.28821183 0.04255934 0.214766  ]
 [0.14523209 0.768359   0.39420861]]

3.张量运算与形状变换

(1)张量运算——乘法

参考文章https://blog.youkuaiyun.com/da_kao_la/article/details/87484403，里面有详细示例，这里就简单整理一下
tensor乘法一共有四种：

1.点乘 *
（1）标量
tensor与标量k相乘：tensor1 * k
结果是tensor中每个数都与k相乘
（2）一维向量
tensor与行向量相乘：
结果是每列乘以行向量对应列的值（相当于把行向量的行复制，成为与lhs维度相同的Tensor）. 注意此时要求Tensor的列数与行向量的列数相等。
tensor与列向量相乘ÿ