PyTorch深度学习入门 || 系列（一）

0 写在前面

1. 之前通过观看b站视频，浅学了一些关于PyTorch的知识，现在希望基于书本，将之前所学的知识融会贯通起来。
2. 本篇文章旨在记录学习过程，并且用通俗易懂的语言将自己的理解表达出来！
3. 如果这篇文章对你有帮助的话，谢谢点赞关注收藏噢！

1 准备pytorch

这里默认大家已经在Windows系统下，配置了PyTorch！

2 Tensor基础知识

2.1 如何创建和操作Tensor

1. Tensor是PyTorch中进行数据存储和运算的基本单元。
2. Tensor之于PyTorch，相当于Array之于Numpy。
3. Tensor，中文名叫张量，是PyToch中最基本的数据类型。
4. 我们之前学习的标量、向量、矩阵都是张量的特例，标量是零维张量，向量是一维张量，矩阵是二维张量。张量还有三维、四维…甚至更多维！

2.1.1 基本创建方法：torch.Tensor()

• x = torch.Tensor(2,4)
• 创建一个2*4的矩阵。
• 虽然没有初始化，但是这个矩阵中已经有值了。类型是32为float
  

2.1.2 快速创建方法：torch.zeros()

• 创建元素全为0 的Tensor
  

2.1.3 快速创建方法：torch.eyes()

• 创建对角线位置的元素全为1，其他位置为0的Tensor
  

2.1.4 快速创建方法：torch.ones()

• 创建元素全为1的Tensor
  

2.1.5 快速创建方法：torch.rand()

• 创建元素区间为[0,1]的随机数Tensor
  

2.1.6 快速创建方法：torch.arange()

• 创建一个在区间内按指定步长递增的一维Tensor
• 前两个参数指定区间范围，左闭右开
• 第三个参数指定步长，默认为1

2.1.7 快速创建方法：torch.randn()

• 创建服从标准正态分布的一组随机数Tensor
  
  关于PyTorch的操作函数，以后再说，等我们用到什么百度什么就好了！

2.2 Autograd的基本原理

Autograd中文：自动微分，是PyTorch进行神经网络优化的核心。自动微分，就是PyTorch自动为我们计算微分。

1. Tensor在自动微分方面有3个重要属性：requires_grad，grad、grad_fn。
2. requires_grad属性是一个布尔值，默认为False。当设置为True时，表示该Tensor需要自动微分。
3. grad属性用于存储Tensor的微分值。
4. grad_fn属性用于存储Tensor的微分函数。

注意下面几点：

• 当叶子结点的requires_grad=True时，信息流经过该结点时，所有中间结点的requreis_grad都会=True。
• 在输出结点调用反向传播函数：backward()，PyTorch就会自动求出叶子结点的微分值，并更新存储到叶子结点的grad属性中。

2.2.1 举个例子

• 比如说一个$y+w\ast x+b$的线性模型：

• 下面是这个计算过程的计算图：
  

• 其中，z是预测输出（计算输出），y是实际输出。loss函数就是用来计算这两个输出之间的差距大小，loss越小，模型预测效果越好！

• 下面代码可以直接运行！

import torch


x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

wimport torch


x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

w = torch.Tensor([1.0])
w.requires_grad = True


def forward(x):
    return w * x


def loss(x, y):  # 这里采用MSE均方差计算损失值
    y_pred = forward(x)
    return (y_pred - y) ** 2


print("在模型计算之前对于x=4的预测是：", 4, forward(4).item, '\n\n')


for epoch in range(20):
    for x, y in zip(x_data, y_data):
        l = loss(x, y)
        l.backward()
        print('\tgrad:', x, y, w.grad.item())
        w.data = w.data - 0.01 * w.grad.data

        w.grad.data.zero_()

    print("process:", epoch, l.item(), '\n')

print("在模型计算之后对于x=4的预测是：", 4, forward(4).item(