本系列博文我们将使用 PyTorch 来实现深度学习模型等。PyTorch 是一个开源的、社区驱动的深度学习框架。拥有强大的工具和库生态系统，包含 TorchVision（用于图像处理）、TorchText（用于文本处理）、TorchAudio（用于音频处理）等。
安装 PyTorch
根据系统以及是否有 GPU 进行安装 PyTorch 库；
如我在 Windows 电脑上安装 CPU 版本的 PyTorch， Anaconda Prompt 中输入命令为：
pip3 install torch torchvision torchaudio
张量
PyTorch 库的核心是张量，是一种多维的数据结构，类似于 NumPy 中的 ndarray。但是张量在自动微分和深度学习方面提供了更多的操作和功能。张量在 PyTorch 中的地位类似于矩阵在 MATLAB 中的地位，是进行计算的基础。
零阶张量： 零阶张量只是一个数字或标量；
一阶张量： 一阶张量是数组或者向量；
二阶张量： 二阶张量是向量数组或矩阵；
N阶张量： 张量可以概括为标量的 N 维数组。
创建张量
torch.tensor()：从数据创建张量。
torch.zeros()：创建一个指定大小和数据类型的全零张量。
torch.ones()：创建一个指定大小和数据类型的全一张量。
torch.rand()：创建一个指定大小和数据类型的随机张量。
torch.randn()：创建一个指定大小和数据类型的标准正态分布张量。
torch.full()：创建一个指定大小和数据类型的填充张量。
e . g . e.g. e.g.
import torch
# 从数据创建张量
x = torch.tensor([1, 2, 3])
# 创建3行2列全零张量
zero_tensor = torch.zeros(3, 2)
# 创建3行2列全1张量
one_tensor = torch.ones(3, 2)
# 创建3行2列随机张量
random_tensor = torch.rand(3, 2)
# 创建3行2列标准正态分布张量
normal_tensor = torch.randn(3, 2)
# 创建3行2列填充张量
full_tensor = torch.full((3, 2), 5)
处理 Numpy 与 PyTorch 张量之间的转换很重要：
import torch
import numpy as np
npy = np.random.rand(2, 3)
tf_npy = torch.from_numpy(npy)
print(tf_npy)
由此，我们将 Numpy 数组变换为 PyTorch 张量。
操作张量
import torch
x = torch.tensor([[1.2, 2, 3],
[4, 5, 6],
[7, 8, 9]])
# 操作1：获取张量的形状大小
print(x.shape)
print(x.size())
# 操作2：计算总和
sum_x = torch.sum(x)
print(sum_x)
# 操作3：计算平均值
mean_x = torch.mean(x)
print(mean_x)
# 操作4：计算最小值和最大值
min_x = torch.min(x)
max_x = torch.max(x)
print(min_x, max_x)
# 操作5：找到最小值和最大值的索引
argmin_x = torch.argmin(x)
argmax_x = torch.argmax(x)
print(argmin_x, argmax_x)
索引、切片、联合操作
索引：
import torch
x = torch.tensor([[1.2, 2, 3],
[4, 5, 6],
[7, 8, 9]])
# 根据条件选择元素，被筛选掉的用torch.tensor(x)中x替代
where_tensor = torch.where(x > 2, x, torch.tensor(10))
print(where_tensor)
# 根据索引选择元素
index_selected = x[torch.tensor([0, 2])]
print(index_selected)
切片：
import torch
x = torch.tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
# 操作1：获取张量的一部分
subset = x[1:3,2]
print(subset)
# 操作2：获取张量的单行元素
element = x[0]
print(element)
# 操作3：使用布尔掩码选择元素
mask = x > 2
selected = x[mask]
print(selected)
拼接和堆叠
# 拼接
import torch
a = torch.tensor([[1, 2, 3],
[4, 5, 6]])
b = torch.tensor([[7, 8, 9]])
# 拼接张量
# 注意通过 dim 判断行列
cat_tensor = torch.cat((x, y), dim=0)
print(cat_tensor)
# 堆叠
import torch
a = torch.tensor([[1, 2],
[4, 5],
[7, 8]])
b = torch.tensor([[3, 11],
[6, 12],
[9, 13]])
# 堆叠张量
# 注意通过dim指定行列
stack_tensor = torch.stack((a, b), dim=1)
print(stack_tensor)
CUDA张量
CUDA张量核心的优势在于它们可以同时执行多个浮点运算，并且高度优化了内存访问模式，从而在执行矩阵乘法和其他线性代数运算时提供了极高的吞吐量。这对于执行深度学习中的大规模并行计算非常有用。
- 首先检查 GPU、CUDA 是否可用
import torch
print(torch.cuda.is_available())
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)
如果在含有 GPU 的笔记本显示 CUDA 不可用，可以尝试从 “PyTorch 安装了 CPU 版本”，或者 “GPU 驱动更新” 等角度查找问题。需要注意的是，苹果电脑没有 GPU，自然不存在 CUDA。
- 步骤1 CUDA 可用，那么实例化张量并将其移动到 GPU 上
x = torch.rand(3, 3).to(device)
要对 CUDA 和非 CUDA 对象进行操作，需要确保在用一设备上，否则运算将中断。且 GPU CPU 来回移动数据的成本很高，所以典型的过程是在 GPU 上进行并行化的计算，仅在最终结果出来后传输回 CPU。
此外，如果你有多个 GPU，最佳实践是在执行程序时候使用：
CUDA_VISIBLE_DEVICES=0,1,2,3 python main.py
发布：2024/2/2
版本：第一版
如有任何疑问，请联系我，谢谢！