PyTorch入门（一）向量

什么是PyTorch？

PyTorch是Facebook人工智能团队开发的一个机器学习和深度学习工具，用于处理大规模图像分析，包括物体检测，分割与分类。但是它的功能不仅限于此。它与其它深度学习框架结合，能够完成复杂的算法。PyTorch用 Python 和C++编写。

PyTorch属于深度学习框架中的重要一员，与TensorFlow, Keras, Theano等其它深度学习框架不同，它是动态计算图模式，其应用模型支持在运行过程中根据运行参数动态改变，而其它框架都是静态计算图模式，其模型在运行之前就已经确定。以下是各个深度学习框架的热度对比:

关于各个深度学习框架的对比，可以参考网址： Comparison of deep learning software

。

PyTorch是使用GPU和CPU优化的深度学习张量库。

下面，我们将一起来学习PyTorch中向量（Tensor）的相关操作。

安装与运行

PyTorch的安装十分简单，需要用pip安装即可：

pip3 install torch
pip3 install torchvision

其中torchvision包含了一些torch内置的图片与视频数据集。

用以下的Python代码可以输出安装的PyTorch版本信息：

import torch
print(torch.version.__version__)

在笔者的电脑上，输出的结果如下：

1.0.1.post2

向量的基本操作

导入模块

检测是否为PyTorch中的向量

is_tensor()函数可以检测某个序列是否为PyTorch中的向量，is_storage()可以检测某个序列是否被存储为PyTorch中的向量。

可以看到，Python中的列表并不是PyTorch中的向量，也不会被存储为PyTorch中的向量。那么，如何创建PyTorch中的向量呢？

创建随机向量

利用randn()函数可以创建随机向量，随机数为0~1的随机浮点数，可以指定创建的向量的维数。

可以看到，我们创建了1*2*3维的向量，用size()函数可以查看向量的维数情况，用numel()函数可以查看向量中的所有元素个数。

创建零向量

利用zeros()函数可以创建零向量，即所有元素均为零的向量，只需指定向量的维数即可。

在上面，我们创建了4*4的零向量。

创建单位向量

利用eye()函数可以创建单位向量，即主对角元素为1，其余元素均为零的向量，只需指定向量的维数即可。当二维向量的行数与列数不一样时，主对角元素为1，其余为0。

从numpy中创建向量

PyTorch支持直接从numpy中创建向量，这为PyTorch和numpy提供了无缝对接，这也是PyTorch的一个优势。

当然，PyTorch也可以将向量转化为numpy中的ndarrays.

Tensor函数创建向量

可以利用Tensor()直接创建向量。

linspace与logspace创建向量

linspace(tart, end, steps=100, out=None)通过指定开始值、终值和元素个数创建表示等差数列的一维数组，可以通过endpoint参数指定是否包含终值，默认值为True，即包含终值。

logspace(tart, end, steps=100, out=None)返回一个1维张量，包含在区间10exp(start)和10exp(end)上以对数刻度均匀间隔的 steps个点。

创建均匀分布向量

rand()函数可以创建指定维数的满足均匀分布的向量。

随机整数排列向量

randperm(n, out=None) ,给定参数n，返回一个从0 到n -1 的随机整数排列。

等差数列向量

arange(start, end, step=1, out=None) , 返回一个1维张量，包含从start到end，以step为步长的一组序列值(默认步长为1)。

寻找最大值、最小组

argmin()和argmax()函数可以寻找向量所在的最小值和最大值的下标，0表示沿着行查找，1表示沿着列查找。

向量拼接

cat()函数在给定维度上对输入的张量序列seq 进行连接操作，默认的维度为0，即按行拼接。

向量分块

chunk(tensor, chunks, dim=0)函数在给定维度(轴)上将输入张量进行分块，默认为0，即按行进行分块。

gather()函数

gather(input, dim, index, out=None), 沿给定轴dim，将输入索引张量index指定位置的值进行聚合。gather()函数理解起来比较困难，先看例子，再解释：

gather的作用是这样的，index是索引，具体是行还是列的索引要看前面dim ，比如对于我们的例子, [[11, 12], [23, 24]], 指定dim=1，也就是横向，那么索引就是列号。index的大小就是输出的大小，所以比如index是[[0,0], [1,0]]，那么看index第一行，0列指的是11，同理，第二行为1, 0 , 这样就是[24, 23]，参考这样的解释看上面的输出结果，即可理解gather的含义。

索引

index_select(input, dim, index, out=None) ，沿着指定维度对输入进行切片，取index中指定的相应项(index为一个LongTensor)，然后返回到一个新的张量，返回的张量与原始张量_Tensor_有相同的维度(在指定轴上)。

split()函数

split(tensor, split_size, dim=0), 将输入张量分割成相等形状的chunks（如果可分）。 如果沿指定维的张量形状大小不能被split_size整分， 则最后一个分块会小于其它分块。

向量转置

二维向量的转置可以用t()或transpos(1, 0)实现。

unbind()

unbind(tensor, dim=0), 移除指定维后，返回一个元组，包含了沿着指定维切片后的各个切片，默认维度为1，表示行，1表示列。

判断是否为零元素

nonzero()函数可以判断向量中的元素是否为0.

向量运算

以下将演示几种常见的矩阵运算。

矩阵的点乘与矩阵乘法

总结

本文的github地址为： https://github.com/percent4/P... 。

注意：不妨了解下笔者的微信公众号： Python爬虫与算法（微信号为：easy_web_scrape）， 欢迎大家关注~