商业型网站品牌营销理论有哪些

目录

1.pyTorch检查是否安装成功

 2.PyTorch的张量tensor 基础创建方式（三种）

 2.2用列表创建tensor

2.2使用元组创建 tensor

 2.3使用ndarray创建创建 tensor

2.4 快速创建tensor的常用方法

3.pyTorch中的张量tensor的常用属性 

4. tensor中的基础数据类型 

5.张量tensor的基础运算 

 6.改变tensor的形状

7.tensor聚合操作 

8.tensor索引 

9.矩阵乘法 

10.tensor张量的自动微分(重点) 

11.复合函数求导 

---

 

1.pyTorch检查是否安装成功

import torchtorch.cuda_version  #查看cuda版本

'12.1'

torch.cuda.is_available()   #检测cuda是否能使用

True

#打印cuda设备，即显卡名字
torch.cuda.get_device_name()  #检测可以使用的gpu

'NVIDIA GeForce GTX 1060'

torch.cuda.get_device_name(0)

'NVIDIA GeForce GTX 1060'

 2.PyTorch的张量tensor 基础创建方式（三种）

PyTorch与TensorFlow中的张量一样，都叫做tensor,
tensor和numpy里的ndarray是一个意思，不同点：tensor可以在GPU上加速计算

创建的tensor返回值都是一个一维数组

import torch
import numpy as np

 2.2用列表创建tensor

torch.tensor([6,2])

tensor([6, 2])

torch.tensor([6,2], dtype = torch.int32)  #指定数据类型

 tensor([6, 2], dtype=torch.int32)

2.2使用元组创建 tensor

torch.tensor((6,2))

 tensor([6, 2])

 2.3使用ndarray创建创建 tensor

torch.tensor(np.array([6,2]))

 tensor([6, 2], dtype=torch.int32)

np.array([6, 2])

 array([6, 2])

2.4 快速创建tensor的常用方法

快速创建tensor的常用方法， 和numpy中的routines的方法一样

例如：ones, zeros, full, eye, random.randn, random.normal, arange....

#创建一个0到1之间的随机数组成的tensor
torch.rand((2, 3))

tensor([[0.6626, 0.1513, 0.6840],[0.1509, 0.0196, 0.4638]])

torch.rand(2, 3)

tensor([[0.6335, 0.3162, 0.9308],[0.5522, 0.2508, 0.6437]])

#创建一个两行三列的标准正态分布，均值为0
torch.randn(2,3)

 tensor([[ 0.0580, 1.5962, -0.6440],

             [ 0.9074, 2.2482, -0.3065]])

torch.randn((2,3))

 tensor([[ 0.3305, 0.7139, -0.0988],

             [-0.1087, 0.1576, -0.9505]])

torch.ones(2,3)

 tensor([[1., 1., 1.],

             [1., 1., 1.]])

torch.zeros(2,3)

 tensor([[0., 0., 0.],

             [0., 0., 0.]])

3.pyTorch中的张量tensor的常用属性 

#tensor最常用的属性shape
x = torch.zeros(2, 3, 4)    #创建 两行 三列 四个 的数据
display(x)
x.shape  #查看tensor的shape

tensor([[[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]],[[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]]])

Out[18]:

torch.Size([2, 3, 4])

#也可以使用.size()方法查看tensor的shape
x.size()  #等同于x.shape

 torch.Size([2, 3, 4])

#.size()中可以传入shape的索引，来获取某个维度的数值
x.size(0)

 2

4. tensor中的基础数据类型 

• 32位浮点数：torch.float32
• 64位浮点数：torch.float64
• 32位整数：torch.int32
• 16位整数：torch.int16
• 64位整数：torch.int64

• 32位整数：torch.int32 表示能够存储2^31次方，前两位是储存 数据的正负 符号的

#TensorFlow没有直接用tensor()方法创建tensor 

#TensorFlow是被谷歌收购的, 2019年之前：TensorFlow框架的人较多； 2019年：pyTorch框架使用者超过前者；2019年之后：二者使用人数交替

#TensorFlow提供了常量constant、变量Variable的创建方式，两者有区分，        
#pyTorch与Python更接近一点，创建的都是变量

#tensor可以与ndarray进行转化
n = np.random.randn(2, 3)     #创建两行三列的ndarray数据  （随机正态分布数据）
n

array([[ 1.32327941, -0.64770757,  0.77327725],[ 1.64796259, -0.56311173, -0.26610105]])

a = torch.from_numpy(n)  #将ndarray转化为tensor数据
a

tensor([[ 1.3233, -0.6477,  0.7733],[ 1.6480, -0.5631, -0.2661]], dtype=torch.float64)

#将tensor转化为ndarray
a.numpy()

array([[ 1.32327941, -0.64770757,  0.77327725],[ 1.64796259, -0.56311173, -0.26610105]])

5.张量tensor的基础运算 

#tensor的基础运算规则与ndarray很像 

#和单个数字运算 

#和单个数字运算t = torch.ones(2,3)
t

tensor([[1., 1., 1.],[1., 1., 1.]])

t + 3  #torch矩阵数据中每个数据都+3

tensor([[4., 4., 4.],[4., 4., 4.]])

torch.add(t, 3)   #上一行代码与这一行代码一致

tensor([[4., 4., 4.],[4., 4., 4.]])

t1 = torch.ones(2,3)
t1
display(t, t1)

tensor([[1., 1., 1.],[1., 1., 1.]])

tensor([[1., 1., 1.],[1., 1., 1.]])

# 前提条件：形状shape必须相同。  对应位置的元素相加, element-wise操作 残差网络的+ 就是element-wise相加
t1 + t

tensor([[2., 2., 2.],[2., 2., 2.]])

#有输出返回值的不会改变原始值
t1.add(t)  #上一行代码与这一行代码一致

tensor([[2., 2., 2.],[2., 2., 2.]])

t1

tensor([[1., 1., 1.],[1., 1., 1.]])

## 如果想改变原始值. pytorch中带下划线_的操作会改变原始值.
t1.add_(t)

tensor([[2., 2., 2.],[2., 2., 2.]])

t1  #t1被改变了原始值

tensor([[2., 2., 2.],[2., 2., 2.]])

t

tensor([[1., 1., 1.],[1., 1., 1.]])

#tensor张量矩阵求逆矩阵
torch.inverse()

 6.改变tensor的形状

t

tensor([[1., 1., 1.],[1., 1., 1.]])

t.reshape(3, 2)

tensor([[1., 1.],[1., 1.],[1., 1.]])

t.view(3, 2)

tensor([[1., 1.],[1., 1.],[1., 1.]])

7.tensor聚合操作 

t

tensor([[1., 1., 1.],[1., 1., 1.]])

t.mean()

tensor(1.)

t.sum()

tensor(6.)

# 指定维度进行聚合, 不写维度, 默认会把所有维度聚合掉.
# dim(dimension)相当于axis
x = t.sum(dim = 1)
x

tensor([3., 3.])

# 一个数字叫做scalars(标量), 带中括号的数据较做向量
# item是专门用来取出tensor中的标量的值
x1 = t.sum()
x1.item()

 6.0

8.tensor索引 

a = torch.randn(3, 4)
a

tensor([[ 1.7353, -1.0547, -1.7341,  1.3166],[ 0.7245,  0.5138, -0.2932, -0.4307],[ 0.5311,  0.8725, -0.9907,  1.3229]])

a[0]

tensor([ 1.7353, -1.0547, -1.7341,  1.3166])

# tensor的切片和索引操作和ndarray是完全一样.
a[0, :3]

tensor([ 1.7353, -1.0547, -1.7341])

#索引例子：索引获取图像色彩数据
a1 = torch.rand(32, 224, 224, 3)
a1.shape

torch.Size([32, 224, 224, 3])

a1

tensor([[[[0.8823, 0.3511, 0.6211],[0.0789, 0.2923, 0.8930],[0.0243, 0.2673, 0.8913],...,[0.0356, 0.0213, 0.5672],[0.1055, 0.2254, 0.1522],[0.4944, 0.3775, 0.3731]],[[0.7983, 0.8197, 0.2490],[0.4326, 0.1828, 0.0983],[0.5347, 0.8690, 0.1389],...,[0.1191, 0.3159, 0.0347],[0.3169, 0.5657, 0.0882],[0.8005, 0.5183, 0.2349]]]])

# 取出图片数据
a1[0, :, :, 0].shape

torch.Size([224, 224])

9.矩阵乘法 

# 矩阵乘法
s1 = torch.randn(2, 3)
s2 = torch.randn(3, 5)
torch.matmul(s1, s2)

tensor([[ 2.7162,  1.9755,  0.2429, -0.9626,  0.3315],[ 1.2003,  0.8906,  0.0307, -0.6301,  0.1311]])

# @也是矩阵点乘的快捷写法
s1 @ s2

tensor([[ 2.7162,  1.9755,  0.2429, -0.9626,  0.3315],[ 1.2003,  0.8906,  0.0307, -0.6301,  0.1311]])

b1 = torch.rand(5)
b2 = torch.rand(5)
print(b1, b2)#pytorch中的dot是向量的乘法（内积），必须是一维向量，  
b1.dot(b2)

tensor([0.6465, 0.1404, 0.3810, 0.0404, 0.6999]) tensor([0.7392, 0.1680, 0.3585, 0.5969, 0.0146])

Out[56]:

tensor(0.6724)

(b1 * b2).sum()

tensor(0.6724)

10.tensor张量的自动微分(重点) 

无关知识点随记：jupyter notebook中查看调用封装函数的参数 快捷键 shift+tab 

# tensor张量的自动微分 就是 自动求导.
# 在要求导的变量定义中加上requires_grad=True表示要追踪这个变量的导数
x = torch.ones(2,3, requires_grad = True)  #默认requires_grad=False，不能自动求导
x

tensor([[1., 1., 1.],[1., 1., 1.]], requires_grad=True)

y = x + 2#requires_grad查看变量是否能够求导
x.requires_grad

True

y

tensor([[3., 3., 3.],[3., 3., 3.]], grad_fn=<AddBackward0>)

y.requires_grad  #查看变量y是否能够求导

True

# 导数必须由标量输出创建. 即要求的最后结果, 必须是一个标量. 不能是向量. 
# 导数的定义中要求是对某一点（x, y）求导. 
z = y.mean() #必须使用聚合运算使数据变成一个数（标量）
z

tensor(3., grad_fn=<MeanBackward0>)

# 只有执行完backward之后, 所有requires_grad=True的变量的导数都会被自动求出. 
z.backward()x.grad  #求出x关于y函数的导数

tensor([[0.1667, 0.1667, 0.1667],[0.1667, 0.1667, 0.1667]])

11.复合函数求导 

#假设复合函数 f = 3*y*y
y

tensor([[3., 3., 3.],[3., 3., 3.]], grad_fn=<AddBackward0>)

f = 3*y*y
f

tensor([[27., 27., 27.],[27., 27., 27.]], grad_fn=<MulBackward0>)

f.requires_grad   #查看变量f是否能求导

True

out = f.mean()  #只能在某一点求导，将f的tensor矩阵进行 聚合运算的 mean （求平均值） 变成一个标量（一个数叫标量）
out

tensor(27., grad_fn=<MeanBackward0>)

#grad_fn=<MeanBackward0> 记录求导的全部过程 

out.backward()   #反向传播

y.requires_grad   #查看变量y是否能求导

True

# 求非叶子节点的tensor的导数, 必须使用retain_grad, 不然会报警告. 
y.retain_grad

 <function Tensor.retain_grad>    #版本显示问题？有待纠正！！！

# 如果不需要求导, 可以把代码包在torch.no_grad()中,   表示临时不求导
x.requires_grad

 True

(x**2).requires_grad #返回值是True表示能求导

True

# 通过with torch.no_grad() 暂时不对x求导
with torch.no_grad():print((x**2).requires_grad)#返回值是False表示不能求导

False

x.requires_grad

 True   #上述   通过with torch.no_grad() 暂时不对x求导  不改变X原始求导的 原属性

#detach() 剥离， 从tensor原数据中剥离出来，返回一个新的tensor （新的tensor默认为requires_grad=False） 
x.detach()  

tensor([[1., 1., 1.],[1., 1., 1.]])

y = x.detach()
y.requires_grad

False    ##不能求导

y = x.detach() ** 2 + 2
y.requires_grad

 False   ##变量y不能求导

# 除了在定义变量的时候指定requires_grad,也可以通过requires_grad_()方法修改变量的requires_grad属性
d = torch.randn(2, 2)
d = d * 3 +2
print(d.requires_grad)

False

# 加了下划线, 会直接修改原始数据.
d.requires_grad_(True)

tensor([[ 3.0569,  4.0794],[-0.5465,  1.1926]], requires_grad=True)

# 加了下划线, 会直接修改原始数据.
d.requires_grad_(True)
print(d.requires_grad)

True

短期记忆变成长期记忆
艾宾浩斯记忆曲线
第一遍理解为主
总结, 提问. 重复复习.
看得多, 练得少.

一般都是用pyTorch中已经封装好的API去写一些算法和模型