PyTorch的简单实现（Pytorch 教程）-eolink官网

PyTorch的简单实现（Pytorch 教程）

1.必要的 PyTorch 背景

PyTorch 是一个建立在 Torch 库之上的 Python 包，旨在加速深度学习应用。 PyTorch 提供一种类似 NumPy 的抽象方法来表征张量（或多维数组），它可以利用 GPU 来加速训练。

1.1 PyTorch 张量

PyTorch 的关键数据结构是张量，即多维数组。其功能与 NumPy 的 ndarray 对象类似，如下我们可以使用 torch.Tensor() 创建张量。如果你需要一个兼容 NumPy 的表征，或者你想从现有的 NumPy 对象中创建一个 PyTorch 张量，那么就很简单了。

#构建 2-D pytorch tensor pytorch_tensor = torch.Tensor(10, 20,20) print("type: ", type(pytorch_tensor), " and size: ", pytorch_tensor.shape ) #将pytorch tensor 转为 numpy array: numpy_tensor = pytorch_tensor.numpy() print("type: ", type(numpy_tensor), " and size: ", numpy_tensor.shape) #将numpy array 转为 Pytorch Tensor: pytorch_tensor = torch.Tensor(numpy_tensor) print("type: ", type(pytorch_tensor), " and size: ", pytorch_tensor.shape)

1.2 PyTorch vs. NumPy

PyTorch 并不是 NumPy 的简单替代品，但它实现了很多 NumPy 功能。其中有一个不便之处是其命名规则，有时候它和 NumPy 的命名方法相当不同。我们来举几个例子说明其中的区别：

#张量创建 t = torch.rand(2, 4, 3, 5) a = np.random.rand(2, 4, 3, 5) #张量分割 a = t.numpy() pytorch_slice = t[0, 1:3, :, 4] #取t中的元素 numpy_slice = a[0, 1:3, :, 4] #张量 Maskingt = t - 0.5 pytorch_masked = t[t > 0] numpy_masked = a[a > 0] #张量重塑 pytorch_reshape = t.view([6, 5, 4]) numpy_reshape = a.reshape([6, 5, 4])

1.3 PyTorch 变量

PyTorch 张量的简单封装帮助建立计算图 Autograd（自动微分库）的必要部分将关于这些变量的梯度保存在 .grad 中

结构图：

计算图和变量：在 PyTorch 中，神经网络会使用相互连接的变量作为计算图来表示。PyTorch 允许通过代码构建计算图来构建网络模型；之后 PyTorch 会简化估计模型权重的流程，例如通过自动计算梯度的方式。

举例来说，假设我们想构建两层模型，那么首先要为输入和输出创建张量变量：

#将 PyTorch Tensor 包装进 Variable 对象中： from torch.autograd import Variable import torch.nn.functional as F x = Variable(torch.randn(4, 1), requires_grad=False) y = Variable(torch.randn(3, 1), requires_grad=False) #我们把 requires_grad 设置为 True，表明我们想要自动计算梯度，这将用于反向传播中以优化权重。 #现在我们来定义权重： w1 = Variable(torch.randn(5, 4), requires_grad=True) w2 = Variable(torch.randn(3, 5), requires_grad=True) #训练模型： def model_forward(x): return F.sigmoid(w2 @ F.sigmoid(w1 @ x)) print (w1) print (w1.data.shape) print (w1.grad) #gradient梯度

输出为：

tensor([[-0.8571, 1.3199, -0.5086, 0.7253], [ 0.5370, 0.2830, -0.2245, -1.0154], [-0.9083, -0.8636, 0.3927, 0.5870], [ 0.2461, -0.0415, 1.9505, -0.1105], [ 0.7191, -0.9653, 0.3059, -1.1343]]) torch.Size([5, 4]) None

1.4 PyTorch 反向传播

这样我们有了输入和目标、模型权重，那么是时候训练模型了。我们需要三个组件：

损失函数：描述我们模型的预测距离目标还有多远；优化算法：用于更新权重；反向传播步骤：

import torch.nn as nn import torch.optim as optim from torch.autograd import Variable import torch.nn.functional as F x = Variable(torch.randn(4, 1), requires_grad=False) y = Variable(torch.randn(3, 1), requires_grad=False) w1 = Variable(torch.randn(5, 4), requires_grad=True) w2 = Variable(torch.randn(3, 5), requires_grad=True) def model_forward(x): return F.sigmoid(w2@ F.sigmoid(w1@ x)) #损失函数：描述我们模型的预测距离目标还有多远； criterion = nn.MSELoss() #优化算法：用于更新权重； optimizer = optim.SGD([w1, w2], lr=0.001) #随机最速下降法 (SGD) #反向传播步骤： for epoch in range(10): loss = criterion(model_forward(x), y) optimizer.zero_grad() #将先前的梯度清零 loss.backward() #反向传播 optimizer.step() #应用这些梯度

1.5 PyTorch CUDA 接口

PyTorch 的优势之一是为张量和 autograd 库提供 CUDA 接口。使用 CUDA GPU，你不仅可以加速神经网络训练和推断，还可以加速任何映射至 PyTorch 张量的工作负载。

你可以调用 torch.cuda.is_available() 函数，检查 PyTorch 中是否有可用 CUDA。

cuda_gpu = torch.cuda.is_available() if (cuda_gpu): print("Great, you have a GPU!") else: print("Life is short -- consider a GPU!")

如果有GPU，.cuda()之后，使用 cuda 加速代码就和调用一样简单。如果你在张量上调用 .cuda()，则它将执行从 CPU 到 CUDA GPU 的数据迁移。如果你在模型上调用 .cuda()，则它不仅将所有内部储存移到 GPU，还将整个计算图映射至 GPU。

要想将张量或模型复制回 CPU，比如想和 NumPy 交互，你可以调用 .cpu()。

cuda_gpu = torch.cuda.is_available() if (cuda_gpu): print("Great, you have a GPU!") else: print("Life is short -- consider a GPU!") if cuda_gpu: x = x.cuda() print(type(x.data)) else: x = x.cpu() print(type(x.data))

我们来定义两个函数（训练函数和测试函数）来使用我们的模型执行训练和推断任务。该代码同样来自 PyTorch 官方教程，我们摘选了所有训练／推断的必要步骤。

对于训练和测试网络，我们需要执行一系列动作，这些动作可直接映射至 PyTorch 代码：

我们将模型转换到训练／推断模式；我们通过在数据集上成批获取图像，以迭代训练模型；对于每一个批量的图像，我们都要加载数据和标注，运行网络的前向步骤来获取模型输出；我们定义损失函数，计算每一个批量的模型输出和目标之间的损失；训练时，我们初始化梯度为零，使用上一步定义的优化器和反向传播，来计算所有与损失有关的层级梯度；训练时，我们执行权重更新步骤。

import torch import torch.nn as nn import torch.optim as optim from torch.autograd import Variable import torch.nn.functional as F x = Variable(torch.randn(4, 1), requires_grad=False) y = Variable(torch.randn(3, 1), requires_grad=False) w1 = Variable(torch.randn(5, 4), requires_grad=True) w2 = Variable(torch.randn(3, 5), requires_grad=True) def model_forward(x): return F.sigmoid(w2@ F.sigmoid(w1@ x)) #损失函数：描述我们模型的预测距离目标还有多远； criterion = nn.MSELoss() #优化算法：用于更新权重； optimizer = optim.SGD([w1, w2], lr=0.001) #随机最速下降法 (SGD) #反向传播步骤： for epoch in range(10): loss = criterion(model_forward(x), y) optimizer.zero_grad() #将先前的梯度清零 loss.backward() #反向传播 optimizer.step() #应用这些梯度 cuda_gpu = torch.cuda.is_available() if (cuda_gpu): print("Great, you have a GPU!") else: print("Life is short -- consider a GPU!") if cuda_gpu: x = x.cuda() print(type(x.data)) else: x = x.cpu() print(type(x.data)) def train(model, epoch, criterion, optimizer, data_loader): model.train() for batch_idx, (data, target) in enumerate(data_loader): #enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列， #同时列出数据和数据下标，一般用在 for 循环当中 if cuda_gpu: data, target = data.cuda(), target.cuda() model.cuda() data, target = Variable(data), Variable(target) output = model(data) optimizer.zero_grad() #将先前的梯度清零 loss = criterion(output, target) loss.backward() #应用这些梯度 optimizer.step() if (batch_idx+1) % 400 == 0: print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format( epoch, (batch_idx+1) * len(data), len(data_loader.dataset), 100. * (batch_idx+1) / len(data_loader), loss.data[0])) def test(model, epoch, criterion, data_loader): model.eval()#eval() 函数用来执行一个字符串表达式，并返回表达式的值。 #output = model(data) test_loss = 0 correct = 0 for data, target in data_loader: test_loss += criterion(output, target).data[0] pred = output.data.max(1)[1] #获取最大对数概率指标 correct += pred.eq(target.data).cpu().sum() test_loss /= len(data_loader) #损失函数已经超过批量大小 acc = correct / len(data_loader.dataset) print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format( test_loss, correct, len(data_loader.dataset), 100. * acc)) return (acc, test_loss)

2. 使用 PyTorch 进行数据分析

使用 torch.nn 库构建模型

使用 torch.autograd 库训练模型

将数据封装进 torch.utils.data.Dataset 库

使用 NumPy interface 连接你的模型、数据和你最喜欢的工具

在查看复杂模型之前，我们先来看个简单的：简单合成数据集上的线性回归，我们可以使用 sklearn 工具生成这样的合成数据集。

from sklearn.datasets import make_regression import seaborn as sns import pandas as pd import matplotlib.pyplot as plt sns.set() x_train, y_train, W_target = make_regression(n_samples=100, n_features=1, noise=10, coef = True) df = pd.DataFrame(data = {'X':x_train.ravel(), 'Y':y_train.ravel()}) sns.lmplot(x='X', y='Y', data=df, fit_reg=True) plt.show() x_torch = torch.FloatTensor(x_train) y_torch = torch.FloatTensor(y_train) y_torch = y_torch.view(y_torch.size()[0], 1)

PyTorch 的 nn 库中有大量有用的模块，其中一个就是线性模块。如名字所示，它对输入执行线性变换，即线性回归。

from sklearn.datasets import make_regression import seaborn as sns #seaborn能够快速的绘制图表 import pandas as pd import matplotlib.pyplot as plt sns.set() #seaborn绘图命令 #x_train为样本特征，y_train为样本输出，W_target为回归系数，共100个样本，每个样本1个特征 x_train, y_train, W_target = make_regression(n_samples=100, n_features=1, noise=10, coef = True) #make_regression：生成回归模型数据 #n_samples：生成样本数 n_features：样本特征数 noise：样本随机噪音 coef：是否返回回归系数 df = pd.DataFrame(data = {'X':x_train.ravel(), 'Y':y_train.ravel()}) #DataFrame类似excel，是一种二维表，可以存放数值、字符串等 sns.lmplot(x='X', y='Y', data=df, fit_reg=True)# lmplot是用来绘制回归图的 fit_reg：是否显示拟合的直线 plt.show() #显示图像 x_torch = torch.FloatTensor(x_train) #类型转换,将list,numpy转化为tensor y_torch = torch.FloatTensor(y_train) y_torch = y_torch.view(y_torch.size()[0], 1) #view(n,m):排成n行m列 #PyTorch 的 nn 库中有大量有用的模块，其中一个就是线性模块。 #如名字所示，它对输入执行线性变换，即线性回归。 class LinearRegression(torch.nn.Module): def __init__(self, input_size, output_size): super(LinearRegression, self).__init__()#super():对继承自父类的属性进行初始化，用父类的初始化方法来初始化继承的属性 self.linear = torch.nn.Linear(input_size, output_size) #torch.nn.Linear（in_features，out_features，bias = True）对传入数据应用线性变换：y=Ax+b #参数：in_features:每个输入样本的大小 out_features:每个输出样本的大小 def forward(self, x): return self.linear(x) model = LinearRegression(1, 1) #__init__中input_size=1，output_size=1 criterion = torch.nn.MSELoss() #均方差损失函数 #构建一个optimizer对象。这个对象能够保持当前参数状态并基于计算得到的梯度进行参数更新 optimizer = torch.optim.SGD(model.parameters(), lr=0.1) #随机最速下降法(SGD) lr：学习率 for epoch in range(50): data, target = Variable(x_torch), Variable(y_torch) #Variable变量 output = model(data) optimizer.zero_grad()#将先前的梯度清零 loss = criterion(output, target) loss.backward()#反向传播 optimizer.step()#应用这些梯度 predicted = model(Variable(x_torch)).data.numpy()#拟合曲线 #现在我们可以打印出原始数据和适合 PyTorch 的线性回归。 plt.plot(x_train, y_train, 'o', label='Original data')#原数据点 plt.plot(x_train, predicted, label='Fitted line')#拟合曲线 plt.legend() #图片为默认格式 plt.show() #显示

为了转向更复杂的模型，我们下载了 MNIST 数据集至「datasets」文件夹中，并测试一些 PyTorch 中可用的初始预处理。PyTorch 具备数据加载器和处理器，可用于不同的数据集。数据集下载好后，你可以随时使用。你还可以将数据包装进 PyTorch 张量，创建自己的数据加载器类别。

批大小（batch size）是机器学习中的术语，指一次迭代中使用的训练样本数量。批大小可以是以下三种之一：

batch 模式：批大小等于整个数据集，因此迭代和 epoch 值一致； mini-batch 模式：批大小大于 1 但小于整个数据集的大小。通常，数量可以是能被整个数据集整除的值。随机模式：批大小等于 1。因此梯度和神经网络参数在每个样本之后都要更新。

train_loader = torch.utils.data.DataLoader( datasets.MNIST("data",train=True, download=True, transform=transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ])), batch_size=batch_num_size, shuffle=True) test_loader = torch.utils.data.DataLoader( datasets.MNIST("data",train=False, transform=transforms.Compose([ #transforms.Compose把两个步骤整合到一起 transforms.ToTensor(), #ToTensor()将shape为(H, W, C)的nump.ndarray或img转为shape为(C, H, W)的tensor， #其将每一个数值归一化到[0,1]，其归一化方法比较简单，直接除以255即可。 transforms.Normalize((0.1307,), (0.3081,)) #Normalize():先将输入归一化到(0,1)，再使用公式”(x-mean)/std”，将每个元素分布到(-1,1) ])),

3. PyTorch 中的 LeNet 卷积神经网络（CNN）

现在我们从头开始创建第一个简单神经网络。该网络要执行图像分类，识别 MNIST 数据集中的手写数字。这是一个四层的卷积神经网络（CNN），一种分析 MNIST 数据集的常见架构。该代码来自 PyTorch 官方教程，你可以在这里（torch.nn 库中的多个模块：线性层：使用层的权重对输入张量执行线性变换； Conv1 和 Conv2：卷积层，每个层输出在卷积核（小尺寸的权重张量）和同样尺寸输入区域之间的点积； Relu：修正线性单元函数，使用逐元素的激活函数 max(0,x)；池化层：使用 max 运算执行特定区域的下采样（通常 2x2 像素）； Dropout2D：随机将输入张量的所有通道设为零。当特征图具备强相关时，dropout2D 提升特征图之间的独立性； Softmax：将 Log(Softmax(x)) 函数应用到 n 维输入张量，以使输出在 0 到 1 之间。

class LeNet(nn.Module): def __init__(self): super(LeNet,self).__init__() self.conv1 = nn.Conv2d(1,10,kernel_size=5) #输入和输出通道数分别为1和10 self.conv2 = nn.Conv2d(10,20,kernel_size=5) #输入和输出通道数分别为10和20 self.conv2_drop = nn.Dropout2d() #随机选择输入的信道，将其设为0 self.fc1 = nn.Linear(320,50) #输入的向量大小和输出的大小分别为320和50 self.fc2 = nn.Linear(50,10) def forward(self,x): x = F.relu(F.max_pool2d(self.conv1(x),2)) #卷积--最大池化层--relu x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)),2)) #卷积--dropout--最大池化--relu x = x.view(-1, 320) #view(n,m):排成n行m列 x = F.relu(self.fc1(x)) #fc--relu x = F.dropout(x, training=self.training) #dropout x = self.fc2(x) return F.log_softmax(x, dim=1) #创建 LeNet 类后，创建对象并移至 GPU： model = LeNet() model.cuda()#没有GPU则用model.cpu()代替model.cuda() print ('MNIST_net model:\n') print (model)

输出：

MNIST_net model: LeNet((conv1): Conv2d(1, 10, kernel_size=(5, 5), stride=(1, 1))(conv2): Conv2d(10, 20, kernel_size=(5, 5), stride=(1, 1))(conv2_drop): Dropout2d(p=0.5)(fc1): Linear(in_features=320, out_features=50, bias=True)(fc2): Linear(in_features=50, out_features=10, bias=True))

import os import torch.optim as optim from torchvision import datasets, transforms from torch.autograd import Variable import torch.nn.functional as F cuda_gpu = torch.cuda.is_available() def train(model, epoch, criterion, optimizer, data_loader): model.train() for batch_idx, (data, target) in enumerate(data_loader): #enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列， #同时列出数据和数据下标，一般用在 for 循环当中 if cuda_gpu: data, target = data.cuda(), target.cuda() model.cuda() data, target = Variable(data), Variable(target) output = model(data) optimizer.zero_grad() #将先前的梯度清零 loss = criterion(output, target) loss.backward() #应用这些梯度 optimizer.step() if (batch_idx+1) % 400 == 0: print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format( epoch, (batch_idx+1) * len(data), len(data_loader.dataset), 100. * (batch_idx+1) / len(data_loader), loss.data[0])) def test(model, epoch, criterion, data_loader): model.eval()#eval() 函数用来执行一个字符串表达式，并返回表达式的值 test_loss = 0 correct = 0 for data, target in data_loader: if cuda_gpu: data, target = data.cuda(), target.cuda() data, target = Variable(data), Variable(target) output = model(data) test_loss += criterion(output, target).item() #items()将字典中的每个项分别做为元组，添加到一个列表中形成一个新的列表容器 pred = output.data.max(1)[1] #获取最大对数概率指标 correct += pred.eq(target.data).cpu().sum() test_loss /= len(data_loader) #损失函数已经超过批量大小 acc = correct / len(data_loader.dataset) print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format( test_loss, correct, len(data_loader.dataset), 100. * acc)) return (acc, test_loss) batch_num_size = 64 #DataLoader数据加载器，结合了数据集和取样器，并且可以提供多个线程处理数据集 #在训练模型时使用到此函数，用来把训练数据分成多个小组，此函数每次抛出一组数据 #直至把所有的数据都抛出。就是做一个数据的初始化 #此函数的参数： #dataset：包含所有数据的数据集 #batch_size :每一小组所包含数据的数量 #Shuffle : 是否打乱数据位置，当为Ture时打乱数据，全部抛出数据后再次dataloader时重新打乱 train_loader = torch.utils.data.DataLoader( datasets.MNIST("data",train=True, download=True, transform=transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ])), batch_size=batch_num_size, shuffle=True) test_loader = torch.utils.data.DataLoader( datasets.MNIST("data",train=False, transform=transforms.Compose([ #transforms.Compose把两个步骤整合到一起 transforms.ToTensor(), #ToTensor()将shape为(H, W, C)的nump.ndarray或img转为shape为(C, H, W)的tensor， #其将每一个数值归一化到[0,1]，其归一化方法比较简单，直接除以255即可。 transforms.Normalize((0.1307,), (0.3081,)) #Normalize():先将输入归一化到(0,1)，再使用公式”(x-mean)/std”，将每个元素分布到(-1,1) ])), batch_size=batch_num_size, shuffle=True) class LeNet(nn.Module): def __init__(self): super(LeNet,self).__init__() self.conv1 = nn.Conv2d(1,10,kernel_size=5) #输入和输出通道数分别为1和10 self.conv2 = nn.Conv2d(10,20,kernel_size=5) #输入和输出通道数分别为10和20 self.conv2_drop = nn.Dropout2d() #随机选择输入的信道，将其设为0 self.fc1 = nn.Linear(320,50) #输入的向量大小和输出的大小分别为320和50 self.fc2 = nn.Linear(50,10) def forward(self,x): x = F.relu(F.max_pool2d(self.conv1(x),2)) #卷积--最大池化层--relu x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)),2)) #卷积--dropout--最大池化--relu x = x.view(-1, 320) #view(n,m):排成n行m列 x = F.relu(self.fc1(x)) #fc--relu x = F.dropout(x, training=self.training) #dropout x = self.fc2(x) return F.log_softmax(x, dim=1) #创建 LeNet 类后，创建对象并移至 GPU： model = LeNet() if cuda_gpu: model.cuda()#没有GPU则用model.cpu()代替model.cuda() print ('MNIST_net model:\n') print (model) #要训练该模型，我们需要使用带动量的 SGD，学习率为 0.01，momentum 为 0.5。 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(),lr = 0.005, momentum = 0.9) #仅仅需要 5 个 epoch（一个 epoch 意味着你使用整个训练数据集来更新训练模型的权重） #我们就可以训练出一个相当准确的 LeNet 模型。这段代码检查可以确定文件中是否已有预训练好的模型 #有则加载；无则训练一个并保存至磁盘 epochs = 5 if (os.path.isfile('pretrained/MNIST_net.t7')): print ('Loading model') model.load_state_dict(torch.load('pretrained/MNIST_net.t7', map_location=lambda storage, loc: storage)) acc, loss = test(model, 1, criterion, test_loader) else: print ('Training model') for epoch in range(1, epochs + 1): train(model, epoch, criterion, optimizer, train_loader) acc, loss = test(model, 1, criterion, test_loader) torch.save(model.state_dict(), 'pretrained/MNIST_net.t7')

若无预训练模型，输出：

Training model Test set: Average loss: 0.1348, Accuracy: 9578/10000 (0%)Test set: Average loss: 0.0917, Accuracy: 9703/10000 (0%)Test set: Average loss: 0.0746, Accuracy: 9753/10000 (0%)Test set: Average loss: 0.0659, Accuracy: 9795/10000 (0%)Test set: Average loss: 0.0553, Accuracy: 9828/10000 (0%)

现在我们来看下模型。首先，打印出该模型的信息。打印函数显示所有层（如 Dropout 被实现为一个单独的层）及其名称和参数。同样有一个迭代器在模型中所有已命名模块之间运行。当你具备一个包含多个「内部」模型的复杂 DNN 时，这有所帮助。在所有已命名模块之间的迭代允许我们创建模型解析器，可读取模型参数、创建与该网络类似的模块。

print ("Internal models:") for idx, m in enumerate(model.named_modules()): print(idx, "->", m) print ("-------------------------------------------------------------------------")

输出：

Internal models:0 -> ('', LeNet((conv1): Conv2d(1, 10, kernel_size=(5, 5), stride=(1, 1))(conv2): Conv2d(10, 20, kernel_size=(5, 5), stride=(1, 1))(conv2_drop): Dropout2d(p=0.5)(fc1): Linear(in_features=320, out_features=50, bias=True)(fc2): Linear(in_features=50, out_features=10, bias=True)))-------------------------------------------------------------------------1 -> ('conv1', Conv2d(1, 10, kernel_size=(5, 5), stride=(1, 1)))-------------------------------------------------------------------------2 -> ('conv2', Conv2d(10, 20, kernel_size=(5, 5), stride=(1, 1)))-------------------------------------------------------------------------3 -> ('conv2_drop', Dropout2d(p=0.5))-------------------------------------------------------------------------4 -> ('fc1', Linear(in_features=320, out_features=50, bias=True))-------------------------------------------------------------------------5 -> ('fc2', Linear(in_features=50, out_features=10, bias=True))-------------------------------------------------------------------------

你可以使用 .cpu() 方法将张量移至 CPU（或确保它在那里）。或者，当 GPU 可用时（torch.cuda. 可用），使用 .cuda() 方法将张量移至 GPU。你可以看到张量是否在 GPU 上，其类型为 torch.cuda.FloatTensor。如果张量在 CPU 上，则其类型为 torch.FloatTensor。

t = torch.rand(2, 4, 3, 5) print (type(t.cpu().data)) if torch.cuda.is_available(): print ("Cuda is available") print (type(t.cuda().data)) else: print ("Cuda is NOT available")

输出：

Cuda is available

如果张量在 CPU 上，我们可以将其转换成 NumPy 数组，其共享同样的内存位置，改变其中一个就会改变另一个。

import torch t = torch.rand(2, 4, 3, 5) if torch.cuda.is_available(): try: print(t.data.numpy()) except RuntimeError as e: "你不能将GPU张量转换为numpy数组，你必须将你的权重tendor复制到cpu然后得到numpy数组" print(type(t.cpu().data.numpy())) print(t.cpu().data.numpy().shape) print(t.cpu().data.numpy())

现在我们了解了如何将张量转换成 NumPy 数组，我们可以利用该知识使用 matplotlib 进行可视化！我们来打印出个卷积层的卷积滤波器。

Flask接口签名sign原理与实例代码浅析

358 2022-08-24

PyTorch的简单实现（Pytorch 教程）

多平台统一管理软件接口，如何实现多平台统一管理软件接口

Flask接口签名sign原理与实例代码浅析

java中的接口是类吗

推荐文章

接口调用是什么意思？几种常用接口调用方式

接口设计原则

8款在线 API 接口文档管理工具

api管理系统是什么？

什么是接口调试？接口调试的步骤有哪些？

api 接口管理系统有哪些？

接口测试有几种测试方法

API文档生成工具有哪些？

微服务和api网关区别

交换机配置步骤

最近发表

热评文章

在线接口文档管理工具推荐，支持在线测试，HTTP接口

开源的在线接口文档wiki工具Mindoc的介绍与使

如何优雅的进行接口设计？接口设计的六大原则是什么？

什么是API测试,api检测公司

软件接口设计怎么做？前后端分离软件接口设计思路

接口管理平台推荐，几大接口管理平台总有一款适合你！