pytorch深度学习框架基本介绍

1. PyTorch简介

1.1 什么是PyTorch

PyTorch是一个开源的机器学习库，广泛用于计算机视觉和自然语言处理等应用。它由Facebook的人工智能研究团队开发，并且得到了许多研究机构和企业的支持。PyTorch的核心是一个强大的张量计算包，类似于NumPy，但是它能够利用GPU进行加速计算。

PyTorch的设计哲学是简洁和直观，它提供了动态计算图（Dynamic Computation Graph），也称为自动微分系统，这使得构建和修改复杂的神经网络变得更加容易。此外，PyTorch还具有以下特点：

• 易用性：PyTorch的API设计简洁，易于上手。
• 灵活性：动态图使得模型的构建和调试更加灵活。
• 高效性：能够利用GPU加速计算，提高训练和推理的速度。
• 社区支持：拥有活跃的社区，提供了大量的教程和预训练模型。

1.2 PyTorch的特点

• 动态计算图
  PyTorch的动态计算图是其最显著的特点之一。它允许用户在运行时修改图形，并且可以按需进行计算。这与传统的静态图框架（如TensorFlow 1.x）相比，提供了更大的灵活性。

• 自动微分
  PyTorch的自动微分系统是构建在动态计算图之上的。它允许用户轻松地计算梯度，这对于训练神经网络至关重要。PyTorch的autograd模块是实现这一功能的核心。

• 丰富的API
  PyTorch提供了丰富的API，包括但不限于张量操作、神经网络层、优化器和损失函数。这些API使得用户可以轻松地构建复杂的模型。

• 多语言支持
  虽然PyTorch最初是用Python编写的，但它也支持C++和CUDA，这使得它在性能和灵活性之间取得了平衡。

• 社区和生态系统
  PyTorch拥有一个活跃的社区，提供了大量的教程、工具和预训练模型。此外，PyTorch与许多其他库（如NumPy、SciPy和MATLAB）兼容，这使得它在科学计算和数据分析中也非常有用。

2. 安装与配置

2.1 安装PyTorch

PyTorch是一个开源的机器学习库，广泛用于计算机视觉、自然语言处理等人工智能领域。它提供了强大的GPU加速的张量计算能力，以及构建深度学习模型的动态计算图。

安装PyTorch的步骤如下：

1. 确定Python版本：PyTorch支持Python 3.6到3.9，确保你的Python环境符合要求。

2. 选择安装包：根据你的系统（Windows、MacOS或Linux）和CUDA版本（如果有GPU），选择合适的安装包。

3. 使用pip安装：打开终端或命令提示符，输入以下命令之一安装PyTorch：

   • 对于没有GPU或不使用CUDA的用户：

     pip install torch torchvision
     

   • 对于使用CUDA的用户，需要指定CUDA版本，例如CUDA 11.1：

     pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu111
     

4. 验证安装：安装完成后，可以通过运行以下Python代码来验证PyTorch是否安装成功：

   import torch
   print(torch.__version__)
   

2.2 配置CUDA环境

为了充分利用PyTorch的GPU加速能力，需要正确配置CUDA环境。

配置CUDA的步骤如下：

1. 检查GPU和CUDA：首先，确保你的计算机有NVIDIA GPU，并且安装了正确版本的CUDA Toolkit。
2. 安装CUDA驱动：如果尚未安装，需要从NVIDIA官网下载并安装相应的驱动程序。
3. 安装cuDNN：对于深度学习应用，cuDNN（CUDA Deep Neural Network library）是可选但推荐的加速库。从NVIDIA官网下载与CUDA版本相匹配的cuDNN，并按照官方指南进行安装。
4. 设置环境变量：确保CUDA相关的路径被添加到系统的环境变量中，以便PyTorch能够找到CUDA库。
5. 验证CUDA支持：在Python中运行以下代码来检查PyTorch是否能够使用CUDA：

   import torch
   print(torch.cuda.is_available())
   

如果torch.cuda.is_available()返回True，则表示PyTorch已经成功配置了CUDA支持。接下来，你可以开始使用PyTorch进行深度学习模型的训练和推理了。

3. 基础概念

3.1 张量(Tensor)

3.1.1 创建张量

张量是PyTorch中最基本的数据结构，用于表示多维的数据数组，可以运行在CPU或GPU上。张量的创建和操作是进行深度学习的基础。

• torch.tensor 根据指定数据创建张量
• torch.Tensor 根据形状创建张量, 其也可用来创建指定数据的张量
• torch.IntTensor、torch.FloatTensor、torch.DoubleTensor 创建指定类型的张量
• torch.IntTensor()、torch.FloatTensor()、torch.DoubleTensor() 创建指定类型的张量
• torch.random.initial_seed()查看随机种子
• torch.random.manual_seed() 设置随机数种子
• torch.randn() 创建随机张量

import torch

# 创建一个5x3的张量，元素初始化为0
tensor = torch.zeros(5, 3)

# 创建一个5x3的张量，元素初始化为1
ones_tensor = torch.ones(5, 3)

# 创建一个5x3的张量，元素值为随机数
rand_tensor = torch.rand(5, 3)

# 创建一个张量并指定数据类型
float_tensor = torch.tensor([[1.0, 2.0], [3.0, 4.0]], dtype=torch.float32)

# 张量的基本操作
tensor_add = tensor + ones_tensor  # 张量相加
tensor_mul = tensor * 2           # 张量乘以标量

#  创建随机张量
data = torch.randn(2, 3)  # 创建2行3列张量
print(data)
>>> tensor([[-0.5209, -0.2439, -1.1780],
            [ 0.8133,  1.1442,  0.6790]])

# 查看随机数种子
print('随机数种子:', torch.random.initial_seed())
>>> 随机数种子: 4508475192273306739

# 设置随机数种子 
torch.random.manual_seed(100)
data = torch.randn(2, 3)
print(data)
print('随机数种子:', torch.random.initial_seed())
>>> tensor([[ 0.3607, -0.2859, -0.3938],
            [ 0.2429, -1.3833, -2.3134]])
    随机数种子: 100

3.1.2 张量的类型转换

• 张量转换为NUMPY数组

# 1. 将张量转换为 numpy 数组
data_tensor = torch.tensor([2, 3, 4])
# 使用张量对象中的 numpy 函数进行转换
data_numpy = data_tensor.numpy(