《动手学深度学习PyTorch版》打卡_Task1，pytorch的常见函数

最近参加了伯禹平台和Datawhale等举办的《动手学深度学习PyTorch版》课程，也为了自己能尽快熟悉pytorch这个框架在这里整理一下自己遇到的pytorch常见函数。

---

torch.ones()

torch.ones(*sizes, out=None) → Tensor
#返回一个全为标量 1 的张量，形状由可变参数sizes 定义。
#sizes (int...) – 整数序列，定义了输出形状
#out (Tensor, optional) – 结果张量
torch.ones(2, 3)
torch.ones(5)

torch.zeros()

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。
#sizes (int...) – 整数序列，定义了输出形状
#out (Tensor, optional) – 结果张量

torch.randn()

torch.randn(*sizes, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
#返回一个填充了正态分布中随机数的张量，均值为“0”，方差为“1”（也称为标准正态分布）。定义输出张量形状的整数序列

requires_grad_（）

1. 所有的tensor都有.requires_grad属性,可以设置这个属性.
x = tensor.ones(2,4,requires_grad=True)

2.如果想改变这个属性，就调用tensor.requires_grad_()方法：
x.requires_grad_(False)

torch.mm()

torch.mul(a, b)是矩阵a和b对应位相乘，a和b的维度必须相等，比如a的维度是(1, 2)，b的维度是(1, 2)，返回的仍是(1, 2)的矩阵
torch.mm(a, b)是矩阵a和b矩阵相乘，比如a的维度是(1, 2)，b的维度是(2, 3)，返回的就是(1, 3)的矩阵
————————————————
原文链接：https://blog.youkuaiyun.com/Real_Brilliant/article/details/85756477
​

torch.view(-1,28*28)

• view()返回的数据和传入的tensor一样，只是形状不同
• -1在这里的意思是让电脑帮我们计算，比如下面的例子，总长度是20，我们不想自己算20/5=420/5=4，就可以在不想算的位置放上-1，电脑就会自己计算对应的数字，这个在实际搭建网络的时候是很好用的
• 还要注意view()返回的tensor和传入的tensor共享内存，意思就是修改其中一个，数据都会变

import torch
a = torch.arange(0,20)      #此时a的shape是(1,20)
a.view(4,5).shape       #输出为(4,5)
a.view(-1,5).shape      #输出为(4,5)
a.view(4,-1).shape      #输出为(4,5)
原文链接：https://www.cnblogs.com/MartinLwx/p/10543604.html

谈到view就得注意pytorch中的广播机制：

当对两个形状不同的 Tensor 按元素运算时，可能会触发⼴广播（broadcasting）机制：先适当复制元素使这两个 Tensor 形状相同后再按元素运算：

两个 Tensors 只有在下列情况下才能进行 broadcasting 操作：
每个 tensor 至少有一维
遍历所有的维度，从尾部维度开始，每个对应的维度大小要么相同，要么其中一个是 1，要么其中一个不存在。
可见链接https://blog.youkuaiyun.com/weixin_41413177/article/details/89336066

DataLoader的使用

import torch.utils.data as Data

batch_size = 10

# combine featues and labels of dataset
dataset = Data.TensorDataset(features, labels)

# put dataset into DataLoader
data_iter = Data.DataLoader(
    dataset=dataset,            # torch TensorDataset format
    batch_size=batch_size,      # mini batch size
    shuffle=True,               # whether shuffle the data or not
    num_workers=2,              # read data in multithreading
)

建立网络的几种方式：

# ways to init a multilayer network
# method one
net = nn.Sequential(
    nn.Linear(num_inputs, 1)
    # other layers can be added here
    )

# method two
net = nn.Sequential()
net.add_module('linear', nn.Linear(num_inputs, 1))
# net.add_module ......

# method three
from collections import OrderedDict
net = nn.Sequential(OrderedDict([
          ('linear', nn.Linear(num_inputs, 1))
          # ......
        ]))

print(net)
print(net[0])