PyTorch的4分钟教程，手把手教你完成线性回归

大数据文摘出品

编译：洪颖菲、宁静

PyTorch深度学习框架库之一，是来自Facebook的开源深度学习平台，提供研究原型到生产部署的无缝衔接。

本文旨在介绍PyTorch基础部分，帮助新手在4分钟内实现python PyTorch代码的初步编写。

下文出现的所有功能函数，均可以在中文文档中查看具体参数和实现细节，先附上pytorch中文文档链接：

https://pytorch-cn.readthedocs.io/zh/latest/package_references/torch/

coding前的准备

需要在电脑上安装Python包，导入一些科学计算包，如：numpy等，最最重要的，别忘记导入PyTorch，下文的运行结果均是在jupyter notebook上得到的，感兴趣的读者可以自行下载Anaconda，里面自带有jupyter notebook。(注：Anaconda支持python多个版本的虚拟编译环境，jupyter notebook是一个web形式的编译界面，将代码分割成一个个的cell，可以实时看到运行结果，使用起来非常方便!)

软件的配置和安装部分，网上有很多教程，这里不再赘述，纸上得来终觉浅，绝知此事要躬行。让我们直接进入Pytorch的世界，开始coding吧!

Tensors

Tensor张量类型，是神经网络框架中重要的基础数据类型，可以简单理解为一个包含单个数据类型元素的多维矩阵，tensor之间的通过运算进行连接，从而形成计算图。

下面的代码实例中创建了一个2*3的二维张量x,指定数据类型为浮点型(Float)：

import torch 
#Tensors 
x=torch.FloatTensor([[1,2,3],[4,5,6]]) 
print(x.size(),"\n",x) 

运行结果：

PyTorch包含许多关于tensors的数学运算。除此之外，它还提供了许多实用程序，如高效序列化Tensor和其他任意数据类型，以及其他有用的实用程序。

下面是Tensor的加法/减法的一个例子，其中torch.ones(*sizes, out=None) → Tensor返回一个全为1 的张量，形状由可变参数sizes定义。在实例中，和变量x相加的是创建的两个相应位置值为1的2*3的张量，相当于x每一维度的值+2，代码和运行结果如下所示：

#Add tensors 
x.add_(torch.ones([2,3])+torch.ones([2,3])) 

运行结果：

同样的，PyTorch也支持减法操作，实例如下，在上面的运行结果基础上每一维度再减去2，x恢复到最初的值。

#Subtract Tensor 
x.sub_(torch.ones([2,3])*2) 

运行结果：

其他PyTorch运算读者可以查阅上文给出的中文链接。

PyTorch and NumPy

用户可以轻松地在PyTorch和NumPy之间来回转换。

下面是将np.matrix转换为PyTorch并将维度更改为单个列的简单示例：

#Numpy to torch tensors 
import numpy as np 
y=np.matrix([[2,2],[2,2],[2,2]]) 
z=np.matrix([[2,2],[2,2],[2,2]],dtype="int16") 
x.short() @ torch.from_numpy(z) 

运行结果：

其中@为张量乘法的重载运算符，x为2*3的张量，值为[[1,2,3],[4,5,6]]，与转换成tensor的z相乘，z的大小是3*2，结果为2*2的张量。(与矩阵乘法类似，不明白运行结果的读者，可以看下矩阵的乘法运算)

除此外，PyTorch也支持张量结构的重构reshape,下面是将张量x重构成1*6的一维张量的实例，与numpy中的reshape功能类似。

#Reshape tensors(similar to np.reshape) 
x.view(1,6) 

运行结果：

GitHub repo概述了PyTorch到numpy的转换，链接如下：

https://github.com/wkentaro/pytorch-for-numpy-users

CPU and GPUs

PyTorch允许变量使用 torch.cuda.device上下文管理器动态更改设备。以下是示例代码：

#move variables and copies across computer devices 
x=torch.FloatTensor([[1,2,3],[4,5,6]]) 
y=np.matrix([[2,2,2],[2,2,2]],dtype="float32") 
 
 
if(torch.cuda.is_available()): 
    xx=x.cuda(); 
    y=torch.from_numpy(y).cuda() 
    z=x+y 
print(z) 
 
print(x.cpu()) 

运行结果：

PyTorch Variables

变量只是一个包裹着Tensor的薄层，它支持几乎所有由Tensor定义的API，变量被巧妙地定义为自动编译包的一部分。它提供了实现任意标量值函数自动区分的类和函数。

（编辑：ASP站长网）