当前位置：首页 > wzjs >正文

兰州网站制作chengseo服务销售招聘

wzjs 2025/8/22 14:29:13

兰州网站制作cheng,seo服务销售招聘,专业做数据的网站有哪些,杭州城西做网站一.前言本节我们先来介绍一下pytorch以及一些小知识世界科技巨头公司的特点分析公司核心特点关键技术贡献Google持续开源论文驱动，搜索霸主地位- 2003 Hadoop（大数据）- 2014 TensorFlow（AI框架）- 2017 Tra…

一.前言

本节我们先来介绍一下pytorch以及一些小知识

世界科技巨头公司的特点分析

公司	核心特点	关键技术贡献
Google	持续开源+论文驱动，搜索霸主地位	- 2003 Hadoop（大数据） - 2014 TensorFlow（AI框架） - 2017 Transformer - 2018 BERT
Meta	工具导向型创新，低调但实用	- Hive（大数据） - FastText（NLP） - PyTorch（动态图框架）
微软	传统IT巨头转型成功，通过投资逆袭	- 投资OpenAI实现AI时代逆转
BATB	中国科技企业快速追赶，AI领域差距缩小	- 百度（PaddlePaddle）、阿里、腾讯、字节跳动

补充说明：

Google的"被OpenAI压制"主要指2023年后在生成式AI领域的竞争态势。
Meta的PyTorch已成为学术界主流（2024年arXiv论文占比超80%）。

主流深度学习框架对比

框架	特点	版本演进	适用场景
TensorFlow	静态图→动态图转型，企业级支持强	1.x（已淘汰）→ 2.x（主流）	工业部署、移动端
PyTorch	动态图设计，开发者友好	1.3-1.10（稳定）→ 2.1+（新特性）	学术研究、快速原型开发
PaddlePaddle	中文文档完善，与PyTorch高度兼容	兼容PyTorch API	国内工业场景
Caffe	专注CV，配置复杂	已逐渐边缘化	学术研究（历史项目）

关键结论：

PyTorch已成为GitHub星标数最多的框架（2024年超60k stars）。
PaddlePaddle迁移成本极低，适合中文开发者。

Python深度学习环境配置指南

推荐流程：

安装Anaconda

# 下载后直接运行安装包（默认勾选添加PATH）

创建虚拟环境

conda create -n dl_env python=3.10  # 推荐3.10+版本

环境管理

conda activate dl_env      # 激活
conda deactivate           # 退出

包安装技巧

优先使用conda install解决依赖冲突

示例：

pip install torch==2.3.0 --extra-index-url https://download.pytorch.org/whl/cu118  # 指定CUDA版本

避坑提示：

避免混用conda和pip安装同一包
虚拟环境与VMware无关（纯Python隔离）

PyTorch数据精度详解

默认规则：

数据类型	默认值	显式声明示例
整型	`torch.int64`	`tensor = torch.tensor([1,2], dtype=torch.int32)`
浮点型	`torch.float32`	`tensor = torch.tensor([1.0,2.0], dtype=torch.float16)`

精度选择建议：

训练阶段：必须使用float32（数值稳定性）
推理部署：可尝试float16/int8（节省显存）
特殊场景：int64用于索引/标签

计算机随机数本质

技术原理：

import random
random.seed(42)  # 设置种子可复现"随机"结果
print(random.random())  # 伪随机数生成

关键特性：

确定性算法：基于梅森旋转算法等数学公式
种子依赖：相同种子→相同随机序列
应用场景：
- 游戏/模拟（可复现性重要）
- 加密领域禁用伪随机数（需硬件熵源）

扩展知识：

真随机数需依赖物理现象（如放射性衰变、热噪声）
Linux系统通过/dev/random采集硬件熵

以上内容已整合技术细节与行业现状，如需进一步探讨某个方向（如PyTorch 2.x新特性或框架性能对比），可提供更深入的分析。

PyTorch 是⼀个 Python 深度学习框架，它将数据封装成张量（Tensor）来进⾏运算。PyTorch 中的张量就是元素为同⼀种数据类型的多维矩阵。在 PyTorch 中，张量以 "类" 的形式封装起来，对张量的⼀些运算、处理的⽅法被封装在类中。

二.张量的基本创建

1. torch.tensor 根据指定数据创建张量

2. torch.Tensor 根据形状创建张量, 其也可⽤来创建指定数据的张量

3. torch.IntTensor、torch.FloatTensor、torch.DoubleTensor 创建指定类型的张量

import torch
import numpy as np
import random# 1. 根据已有数据创建张量
def test01():# 1. 创建张量标量data = torch.tensor(10)print(data)# 2. numpy 数组, 由于 data 为 float64, 下⾯代码也使⽤该类型data = np.random.randn(2, 3)data = torch.tensor(data)print(data)# 3. 列表, 下⾯代码使⽤默认元素类型 float32data = [[10., 20., 30.], [40., 50., 60.]]data = torch.tensor(data)print(data)# 2. 创建指定形状的张量
def test02():# 1. 创建2⾏3列的张量, 默认 dtype 为 float32data = torch.Tensor(2, 3)print(data)# 2. 注意: 如果传递列表, 则创建包含指定元素的张量data = torch.Tensor([10])print(data)data = torch.Tensor([10, 20])print(data)# 3. 使⽤具体类型的张量
def test03():# 1. 创建2⾏3列, dtype 为 int32 的张量data = torch.IntTensor(2, 3)print(data)# 2. 注意: 如果传递的元素类型不正确, 则会进⾏类型转换data = torch.IntTensor([2.5, 3.3])print(data)# 3. 其他的类型data = torch.ShortTensor()  # int16data = torch.LongTensor()# int64data = torch.FloatTensor()  # float32data = torch.DoubleTensor() # float64
if __name__ == '__main__':test02()

三.创建线性和随机张量

1. torch.arange 和 torch.linspace 创建线性张量

2. torch.random.init_seed 和 torch.random.manual_seed 随机种⼦设置

3. torch.randn 创建随机张量

import torch# 1. 创建线性空间的张量
def test01():# 1. 在指定区间按照步⻓⽣成元素 [start, end, step)data = torch.arange(0, 10, 2)print(data)# 2. 在指定区间按照元素个数⽣成data = torch.linspace(0, 11, 10)print(data)# 2. 创建随机张量
def test02():# 1. 创建随机张量data = torch.randn(2, 3)  # 创建2⾏3列张量print(data)# 2. 随机数种⼦设置print('随机数种⼦:', torch.random.initial_seed())torch.random.manual_seed(100)print('随机数种⼦:', torch.random.initial_seed())if __name__ == '__main__':test02()

四.创建01张量

1. torch.ones 和 torch.ones_like 创建全1张量

2. torch.zeros 和 torch.zeros_like 创建全0张量

3. torch.full 和 torch.full_like 创建全为指定值张量

import torch# 1. 创建全0张量
def test01():# 1. 创建指定形状全0张量data = torch.zeros(2, 3)print(data)# 2. 根据张量形状创建全0张量data = torch.zeros_like(data)print(data)# 2. 创建全1张量
def test02():# 1. 创建指定形状全0张量data = torch.ones(2, 3)print(data)# 2. 根据张量形状创建全0张量data = torch.ones_like(data)print(data)# 3. 创建全为指定值的张量def test03():# 1. 创建指定形状指定值的张量data = torch.full([2, 3], 10)print(data)# 2. 根据张量形状创建指定值的张量data = torch.full_like(data, 20)print(data)if __name__ == '__main__':test01()test02()test03()

五.张量元素类型转换

1. tensor.type(torch.DoubleTensor)

2. torch.double()

import torchdef test():data = torch.full([2, 3], 10)print(data.dtype)# 将 data 元素类型转换为 float64 类型# 1. 第⼀种⽅法data = data.type(torch.DoubleTensor)print(data.dtype)# 转换为其他类型# data = data.type(torch.ShortTensor)# data = data.type(torch.IntTensor)# data = data.type(torch.LongTensor)# data = data.type(torch.FloatTensor)# 2. 第⼆种⽅法data = data.double()print(data.dtype)# 转换为其他类型# data = data.short()# data = data.int()# data = data.long()# data = data.float()if __name__ == '__main__':test()