pytorch中一些最基本函数和类

1.Tensor操作

Tensor是PyTorch中最基本的数据结构，类似于NumPy的数组，但可以在GPU上运行加速计算。

  示例：创建和操作Tensor

import torch

# 创建一个零填充的Tensor
x = torch.zeros(3, 3)
print(x)

# 加法操作
y = torch.ones(3, 3)
z = x + y
print(z)

# 在GPU上创建Tensor
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
x = torch.zeros(3, 3, device=device)
print(x)

运行结果：

2. nn.Module和自定义模型

  nn.Module是PyTorch中定义神经网络模型的基类，所有的自定义模型都应该继承自它。

示例：定义一个简单的全连接神经网络模型

import torch
import torch.nn as nn

# 自定义模型类
class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.fc = nn.Linear(10, 5)  # 线性层：输入维度为10，输出维度为5
        
    def forward(self, x):
        x = self.fc(x)
        return x

# 创建模型实例
model = SimpleNet()
print(model)

运行结果：

3. DataLoader和Dataset

 DataLoader用于批量加载数据，Dataset定义了数据集的接口，自定义数据集需继承自它。

示例：加载自定义数据集

import torch
from torch.utils.data import Dataset, DataLoader

# 自定义数据集类
class CustomDataset(Dataset):
    def __init__(self, data, targets):
        self.data = data
        self.targets = targets
        
    def __len__(self):
        return len(self.data)
    
    def __getitem__(self, index):
        x = self.data[index]
        y = self.targets[index]
        return x, y

# 假设有一些数据和标签
data = torch.randn(100, 10)  # 100个样本，每个样本10维
targets = torch.randint(0, 2, (100,))  # 100个随机标签，0或1

# 创建数据集实例
dataset = CustomDataset(data, targets)

# 创建数据加载器
batch_size = 10
dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=True)

# 打印一个batch的数据
for batch in dataloader:
    inputs, labels = batch
    print(inputs.shape, labels.shape)
    break

运行结果： 

4. 优化器和损失函数

   优化器用于更新模型参数以减少损失，损失函数用于计算预测值与实际值之间的差异。

示例：使用优化器和损失函数

import torch
import torch.nn as nn
import torch.optim as optim

# 定义模型（假设已定义好）
model = SimpleNet()

# 定义损失函数
criterion = nn.CrossEntropyLoss()

# 定义优化器
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 前向传播、损失计算、反向传播和优化过程请参考前面完整示例的训练循环部分。

运行结果： 

5. nn.functional中的函数

  nn.functional提供了各种用于构建神经网络的函数，如激活函数、池化操作等。

示例：使用ReLU激活函数

import torch
import torch.nn.functional as F

# 创建一个Tensor
x = torch.randn(3, 3)

# 使用ReLU激活函数
output = F.relu(x)
print(output)

运行结果： 

原文地址：https://blog.csdn.net/2302_80644606/article/details/140400970

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！