devttl/reference
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

doc: update pytorch.md #138

Browse Source
This commit is contained in:
jaywcjlove
2022-11-18 17:05:32 +08:00
parent 78929052b2
commit cec3afa139
3 changed files with 122 additions and 33 deletions
Download Patch File Download Diff File Expand all files Collapse all files

4
README.md
View File

@@ -26,8 +26,8 @@ Quick Reference
[FFmpeg](./docs/ffmpeg.md)<!--rehype:style=background: rgb(0 193 9/var(\-\-bg\-opacity));&class=contributing--> [FFmpeg](./docs/ffmpeg.md)<!--rehype:style=background: rgb(0 193 9/var(\-\-bg\-opacity));&class=contributing-->
[LaTeX](./docs/latex.md)<!--rehype:style=background: rgb(0 128 128/var(\-\-bg\-opacity));&class=contributing--> [LaTeX](./docs/latex.md)<!--rehype:style=background: rgb(0 128 128/var(\-\-bg\-opacity));&class=contributing-->
[MATLAB](./docs/matlab.md)<!--rehype:style=background: rgb(0 118 168/var(\-\-bg\-opacity));&class=contributing--> [MATLAB](./docs/matlab.md)<!--rehype:style=background: rgb(0 118 168/var(\-\-bg\-opacity));&class=contributing-->
[Vue 3 ](./docs/vue.md)<!--rehype:style=background: rgb(64 184 131/var(\-\-bg\-opacity));&class=contributing--> [Vue 3](./docs/vue.md)<!--rehype:style=background: rgb(64 184 131/var(\-\-bg\-opacity));&class=contributing-->
[Pytorch](./docs/pytorch.md)<!--rehype:style=background: rgb(43 91 132/var(\-\-bg\-opacity));&class=contributing&data-info=👆看看还缺点儿什么？--> [Pytorch](./docs/pytorch.md)<!--rehype:style=background: rgb(238 76 44/var(\-\-bg\-opacity));&class=contributing tag&data-lang=Python&data-info=👆看看还缺点儿什么？-->
<!--rehype:class=home-card--> <!--rehype:class=home-card-->
## 编程 ## 编程

148
docs/pytorch.md
View File

@@ -1,31 +1,35 @@
Pytorch 备忘清单 Pytorch 备忘清单
=== ===
Pytorch 备忘单是 [Pytorch ](https://pytorch.org/) 官网 Pytorch 是一种开源机器学习框架，可加速从研究原型设计到生产部署的过程，备忘单是 官网
备忘清单为您提供了 [Pytorch](https://pytorch.org/) 基本语法和初步应用参考
入门 入门
----- -----
### 介绍 ### 介绍
- [Pytorch基本语法] - [Pytorch 官网](https://pytorch.org/) _(pytorch.org)_
- [Pytorch初步应用] - [Pytorch 官方备忘清单](https://pytorch.org/tutorials/beginner/ptcheat.html) _(pytorch.org)_
### 认识Pytorch ### 认识 Pytorch
```python ```python
from __future__ import print_function from __future__ import print_function
import torch import torch
x = torch.empty(5, 3) x = torch.empty(5, 3)
>>> print(x) >>> print(x)
tensor([[2.4835e+27, 2.5428e+30, 1.0877e-19], tensor([
[1.5163e+23, 2.2012e+12, 3.7899e+22], [2.4835e+27, 2.5428e+30, 1.0877e-19],
[5.2480e+05, 1.0175e+31, 9.7056e+24], [1.5163e+23, 2.2012e+12, 3.7899e+22],
[1.6283e+32, 3.7913e+22, 3.9653e+28], [5.2480e+05, 1.0175e+31, 9.7056e+24],
[1.0876e-19, 6.2027e+26, 2.3685e+21]]) [1.6283e+32, 3.7913e+22, 3.9653e+28],
[1.0876e-19, 6.2027e+26, 2.3685e+21]
])
``` ```
<!--rehype:className=wrap-text-->
Tensors张量: 张量的概念类似于Numpy中的ndarray数据结构, 最大的区别在于Tensor可以利用GPU的加速功能. Tensors 张量: 张量的概念类似于Numpy中的ndarray数据结构, 最大的区别在于Tensor可以利用GPU的加速功能.
### 创建一个全零矩阵 ### 创建一个全零矩阵
@@ -49,10 +53,10 @@ x = torch.tensor([2.5, 3.5])
tensor([2.5000, 3.3000]) tensor([2.5000, 3.3000])
``` ```
Pytorch的基本语法 Pytorch 的基本语法
--------------- ---------------
### 加法操作 ### 加法操作(1)
```python ```python
y = torch.rand(5, 3) y = torch.rand(5, 3)
@@ -64,9 +68,7 @@ tensor([[ 1.6978, -1.6979, 0.3093],
[ 2.6784, 0.1209, 1.5542]]) [ 2.6784, 0.1209, 1.5542]])
``` ```
第一种加法操作 ### 加法操作(2)
### 加法操作
```python ```python
>>> print(torch.add(x, y)) >>> print(torch.add(x, y))
@@ -77,9 +79,7 @@ tensor([[ 1.6978, -1.6979, 0.3093],
[ 2.6784, 0.1209, 1.5542]]) [ 2.6784, 0.1209, 1.5542]])
``` ```
第二种加法操作 ### 加法操作(3)
### 加法操作
```python ```python
# 提前设定一个空的张量 # 提前设定一个空的张量
@@ -94,10 +94,7 @@ tensor([[ 1.6978, -1.6979, 0.3093],
[ 2.6784, 0.1209, 1.5542]]) [ 2.6784, 0.1209, 1.5542]])
``` ```
第三种加法操作 ### 加法操作(4)
### 加法操作
```python ```python
y.add_(x) y.add_(x)
@@ -109,17 +106,16 @@ tensor([[ 1.6978, -1.6979, 0.3093],
[ 2.6784, 0.1209, 1.5542]]) [ 2.6784, 0.1209, 1.5542]])
``` ```
第四种加法操作 注意: 所有 `in-place` 的操作函数都有一个下划线的后缀。
注意:所有in-place的操作函数都有一个下划线的后缀. 比如 `x.copy_(y)`, `x.add_(y)`, 都会直接改变x的值
比如x.copy_(y), x.add_(y), 都会直接改变x的值.
### 张量操作 ### 张量操作
```python ```python
>>> print(x[:, 1]) >>> print(x[:, 1])
tensor([-2.0902, -0.4489, -0.1441, 0.8035, -0.8341]) tensor([-2.0902, -0.4489, -0.1441, 0.8035, -0.8341])
``` ```
<!--rehype:className=wrap-text-->
### 张量形状 ### 张量形状
@@ -132,6 +128,7 @@ z = x.view(-1, 8)
>>> print(x.size(), y.size(), z.size()) >>> print(x.size(), y.size(), z.size())
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8]) torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
``` ```
<!--rehype:className=wrap-text-->
### 取张量元素 ### 取张量元素
@@ -143,8 +140,7 @@ tensor([-0.3531])
-0.3530771732330322 -0.3530771732330322
``` ```
### Torch Tensor 和 Numpy array互换
### Torch Tensor和Numpy array互换
```python ```python
a = torch.ones(5) a = torch.ones(5)
@@ -154,7 +150,7 @@ tensor([1., 1., 1., 1., 1.])
Torch Tensor和Numpy array共享底层的内存空间, 因此改变其中一个的值, 另一个也会随之被改变 Torch Tensor和Numpy array共享底层的内存空间, 因此改变其中一个的值, 另一个也会随之被改变
### Torch Tensor转换为Numpy array ### Torch Tensor 转换为 Numpy array
```python ```python
b = a.numpy() b = a.numpy()
@@ -162,7 +158,7 @@ b = a.numpy()
[1. 1. 1. 1. 1.] [1. 1. 1. 1. 1.]
``` ```
### Numpy array转换为Torch Tensor: ### Numpy array转换为Torch Tensor
```python ```python
import numpy as np import numpy as np
@@ -174,4 +170,94 @@ np.add(a, 1, out=a)
[2. 2. 2. 2. 2.] [2. 2. 2. 2. 2.]
tensor([2., 2., 2., 2., 2.], dtype=torch.float64) tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
``` ```
注意:所有在CPU上的Tensors, 除了CharTensor, 都可以转换为Numpy array并可以反向转换. <!--rehype:className=wrap-text-->
注意: 所有在CPU上的Tensors, 除了CharTensor, 都可以转换为Numpy array并可以反向转换.
导入 Imports
---
### 一般
```python
# 根包
import torch
# 数据集表示和加载
from torch.utils.data import Dataset, DataLoader
```
<!--rehype:className=wrap-text-->
### 神经网络 API
```python
# 计算图
import torch.autograd as autograd
# 计算图中的张量节点
from torch import Tensor
# 神经网络
import torch.nn as nn
# 层、激活等
import torch.nn.functional as F
# 优化器，例如 梯度下降、ADAM等
import torch.optim as optim
# 混合前端装饰器和跟踪 jit
from torch.jit import script, trace
```
### Torchscript 和 JIT
```python
torch.jit.trace()
```
使用你的模块或函数和一个例子，数据输入，并追溯计算步骤，数据在模型中前进时遇到的情况
```python
@script
```
装饰器用于指示被跟踪代码中的数据相关控制流
### ONNX
```python
torch.onnx.export(model, dummy data, xxxx.proto)
# 导出 ONNX 格式
# 使用经过训练的模型模型，dummy
# 数据和所需的文件名
model = onnx.load("alexnet.proto")
# 加载 ONNX 模型
onnx.checker.check_model(model)
# 检查模型，IT 是否结构良好
onnx.helper.printable_graph(model.graph)
# 打印一个人类可读的，图的表示
```
<!--rehype:className=wrap-text-->
### Vision
```python
# 视觉数据集，架构 & 变换
from torchvision import datasets, models, transforms
# 组合转换
import torchvision.transforms as transforms
```
<!--rehype:className=wrap-text-->
### 分布式训练
```python
# 分布式通信
import torch.distributed as dist
# 内存共享进程
from torch.multiprocessing import Process
```
<!--rehype:className=wrap-text-->
另见
---
- [Pytorch 官网](https://pytorch.org/) _(pytorch.org)_
- [Pytorch 官方备忘清单](https://pytorch.org/tutorials/beginner/ptcheat.html) _(pytorch.org)_

3
scripts/assets/pytorch.svg Normal file
View File

@@ -0,0 +1,3 @@
<svg viewBox="0 0 24 24" fill="currentColor" xmlns="http://www.w3.org/2000/svg" height="1em" width="1em">
<path d="M12.005 0 4.952 7.053a9.865 9.865 0 0 0 0 14.022 9.866 9.866 0 0 0 14.022 0c3.984-3.9 3.986-10.205.085-14.023l-1.744 1.743c2.904 2.905 2.904 7.634 0 10.538s-7.634 2.904-10.538 0-2.904-7.634 0-10.538l4.647-4.646.582-.665zm3.568 3.899a1.327 1.327 0 0 0-1.327 1.327 1.327 1.327 0 0 0 1.327 1.328A1.327 1.327 0 0 0 16.9 5.226 1.327 1.327 0 0 0 15.573 3.9z"/>
</svg>
Side by Side

After

Width:  |  Height:  |  Size: 479 B