【语法】简单学一学-pytorch使用

现在基本都是用pytorch框架来搭建与训练深度学习模型，这节我们就先简单用用pytorch吧~！

一、认识pytorch的tensor

在python中一般用list来存一个二维矩阵，但如果你玩过numpy，你会发现在numpy中必须按numpy定义的array来存二维矩阵数据，更进一步地，如果用过pandas，你会发现也必须按它的daraframe格式来存数据。

为啥呢？因为它们提供的功能不一样，为了方便这些功能的实施，所以它们都创建自己的数据对象类型，并重新定义各种运算的语法。

是的，pytorch也一样，它提供了tensor对象(tensor翻译过来就是"张量"，刚接触时特别不适应)。使用pytorch，必须把数据弄成tensor对象，因为它提供的各种计算都是面向它自己提供的tensor对象的。事实上，tensor的基础使用很简单，因为它跟np.array，pd.DataFrame的语法是类似的，下面我们简单玩一玩吧。

1.1. 生成tensor数据对象

来来来，生成一个一维、二维向量吧~

import torch
x1 = torch.tensor([0, 1, 2, 3, 4])         # 生成一维tensor数据
x2 = torch.tensor([[0, 1, 2],[ 3, 4,5]])   # 生成二维tensor数据
print('x1=',x1)
print('x2=',x2)

运行结果如下：

可以看到，它跟numpy是类似的，只是numpy用numpy.array，而pytorch用torch.tensor

来来来，下面生成一些常用的特殊矩阵吧

import torch
x1 = torch.eye(3)          # 生成3*3的单位矩阵
x2 = torch.zeros(2, 3)     # 生成2*3矩阵全是0的矩阵
x3 = torch.full((2, 3),1)  # 生成2*3矩阵全是1的矩阵
print('x1=',x1)
print('x2=',x2)
print('x3=',x3)

运行结果如下：

好家伙！这不妥妥的跟numpy语法类似吗？！

对，语法是差不多的，在numpy里用到的功能，几乎都能在tensor中找到，使用的时候再去查一下就可以了。

1.2. 将numpy的数据转换为tensor

如何将numpy的数据转换为tensor？这是一用tensor就马上会发现的问题，是的，不可能一直手敲来输入数据，很多数据本身就是numpy数据，那怎么把numpy的数据弄到tensor中来呢？

这简直不要太简单！直接用from_numpy方法就可以了，如下

import torch
import numpy as np 
n = np.array( [[1, 2],[3, 4]])   # 生成一个numpy数据
x = torch.from_numpy(n)          # 将numpy数据转换为tensor
print('x=',x)

运行结果：

好了，这就是tensor了，把它当成numpy中的array就行了，使用时遇到的各种问题、语法，需要时再去查就行了。在以后看代码、写代码时慢慢积累，像贪吃蛇一样，遇到什么吃什么就好了。

二、tensor的运算

tensor的运算也与numpy是类似的，加法就用+，乘法就是*，矩阵乘就用@，等等等等

import torch 
x = torch.tensor( [[1, 2],[3, 4]])  # 生成x
y1 = x+x                            # 矩阵加法
y2 = x-x                            # 矩阵减法
y3 = x*x                            # 元素对应相乘
y4 = x @ x.T                        # 矩阵乘法
y5 = x**2                           # 指数运算
print('加法-y1:',y1)
print('减法-y2:',y2)
print('乘法-y3:',y3)
print('矩乘-y4:',y4)
print('指数-y5:',y5)

运行结果如下：

三、惊！自动求导！

刚接触pytorch时，最让我惊讶的是，这家伙竟然可以自动梯度！对，就是帮你自动计算出梯度！以前玩机器学习时，总是要手动计算各种梯度，麻烦死了，现在这家伙直接就给你计算出梯度了！那还要什么numpy哟！

但是计算梯度是要耗资源的，所以你必须告诉它，这个变量我是要计算梯度的，它才会把你这个变量特殊对待，当成自动梯度对象来款待。

3.1. 简单用用tensor的自动梯度功能

好了，我们先来个简单的例子试试吧！

import torch 
x = torch.tensor([3],dtype=(float),requires_grad=True)   # x,并指定需要梯度
y = x@x                                                  # 根据x计算y
y.backward()                                             # 将y反向传播
print('y对x的梯度:',x.grad)                               # 打印y对x的梯度

运行结果如下：

在代码中，我们实现的是计算在x=3时的梯度，我们先给x赋值3，并指明该变量需要梯度。然后计算y的值，然后进行backward(这就会计算y所依赖的相关变量的梯度)，最后，我们打印x的梯度，得到结果为6。

好了，它计算得准不准确定呢，我们试试手动计算来验证一下。

好家伙，计算得还挺准确的嘛，和我们计算的结果一样！

3.2. tensor自动梯度-再来个例子

自动梯度功能真好用，再来玩玩。

这次给它上个难度大一点的！来计算中的梯度吧！

import torch 
x1 = torch.tensor([3.],requires_grad=True)                 # x1,指定需要梯度
x2 = torch.tensor([5.],dtype=(float),requires_grad=True)   # x2,指定需要梯度
y = torch.sin(x1@x1)**2+x2-6*x1*x2                         # 根据x1,x2计算y
y.backward()                                               # 将y反向传播
print('y对x1的梯度:',x1.grad)                               # 打印y对x的梯度
print('y对x2的梯度:',x2.grad)                               # 打印y对x的梯度

运行结果如下：

好家伙！瞬间就计算出了！真方便！

好了，这例子太烦了，我就不验证了，不相信的伙计自己去验证吧，我还是选择相信它的结果好了！

3.3. tensor自动梯度-隔山打牛

上面我们说了，在backward时，所有涉及的相关变量都会计算梯度，所以它是可以隔山打牛的。

以，为例，z进行backward，就会计算出的梯度。

import torch 
x1 = torch.tensor([3.],requires_grad=True)                 # x1,指定需要梯度
x2 = torch.tensor([5.],requires_grad=True)                 # x2,指定需要梯度
y = torch.sin(x1@x2)                                       # 根据x1,x2计算y
z = y**2                                                   # 根据y计算z
y.backward()                                               # 将z反向传播
print('z对x1的梯度:',x1.grad)                               # 打印z对x的梯度
print('z对x2的梯度:',x2.grad)                               # 打印z对x的梯度

运行结果如下：

可以看到，它又轻轻松松就计算出了z对的梯度了，简直不要太好玩。

总结

so easy！这节我们简单的认识了pytorch的tensor数据对象，包括tensor数据如何生成、如何进行基本运算等等。更重要的是，我们玩了tensor的自动梯度功能，多好用的功能！

事实上，这里面的坑还多着，谁用谁知道，但只能边玩边熟悉，急不来，毕竟，我们不是来研究pytorch的，而是来玩深度学习的，不可能成为pytorch专家再来搞深度学习，后面在玩深度学习时，再慢慢习惯和熟悉它好了。