Pytorch框架基础

目录

1-02张量的简介与创建

pytorch中的Tensor

张量的创建

1-03张量的操作

1. 拼接

2.张量的拼接与切分

3.张量索引

4.张量变换

1-04计算图与动态图机制

1-05自动求导和Logist回归

1：Autograd：自动求导系统

2:Logist回归

2-01DataLoader和Dataset

DataLoader

DataSet

2-02Transforms与normalize

---

1-02张量的简介与创建

张量是一个 ，它是标量，向量，矩阵的高维拓展

pytorch中的Tensor

在pytorch中的属性主要有8个

data:张量的数据类型，如torch.FloatTensor,torch.cuda.FloatTensor

shape：张量的形状

devcie：张量所在设备,如GPU/CPU

张量的创建

 1：直接创建

Torch.tensor(data,dtype=None,device=None,requires_grad=False,pin_memory=False)

各参数解释

从numpy创建tensor

torch.form_numpy(ndarray).

从torch.form_numpy(ndarray)创建的tensor与原ndarray共享内存，当修改其中的一个数据另一也会被改动。

2：依据数值创建

torch.zero(*size,out=None,dtype=None,layout=torch.stride,required_grad=False)

torch.zeros_like(input,dtype=None,layout=None,required_grad=False):功能是根据input形状创建全0张量

创建全1张量，只需要将上述的zeros替换成ones即可。

创建自定义数值的张量分别为：torch.full()和torch.full_like().比如torch.full((3,3),10) 为创建一个3*3的值为10的张量。

 创建等差的一维张量：torch.arange()--比如torch.arange(2,10,2).则创建的一维张量为[2,4,6,8]

创建均分的一维张量：torch.linspace(2,10,5)创建的一维张量为（[2,4,6,8,10]）使用这个函数的步长为[strat-end]/steps-1

3:依据概率分布创建张量

生成正态分布：torch.normal(mean,std,out=None).mean为均值，std为标准1

生成标准正态分布：torch.randn(),torch.randn_li