0
点赞
收藏
分享

微信扫一扫

每日刷题-6

云岭逸人 2023-09-16 阅读 14

目录

一、前言

二、实验环境

三、PyTorch数据结构

0、分类

1、张量(Tensor)

1. 维度(Dimensions)

2. 数据类型(Data Types)

3. GPU加速(GPU Acceleration)


一、前言

ChatGPT:

二、实验环境

        本系列实验使用如下环境

conda create -n DL python=3.7 
conda activate DL
pip install torch==1.8.1+cu102 torchvision==0.9.1+cu102 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html
conda install matplotlib

关于配置环境问题,可参考前文的惨痛经历:

Anaconda搭建深度学习环境py 3.7:tensorflow-gpu2.3.0、pytorch1.12.1_gpu版本;(使用conda下载cuda和cudnn);配置环境经验总结_anaconda下载tensorflow_QomolangmaH的博客-CSDN博客icon-default.png?t=N7T8https://blog.csdn.net/m0_63834988/article/details/128841527?spm=1001.2014.3001.5502

三、PyTorch数据结构

0、分类

  • Tensor(张量):Tensor是PyTorch中最基本的数据结构,类似于多维数组。它可以表示标量、向量、矩阵或任意维度的数组。
    • Tensor的操作:PyTorch提供了丰富的操作函数,用于对Tensor进行各种操作,如数学运算、统计计算、张量变形、索引和切片等。这些操作函数能够高效地利用GPU进行并行计算,加速模型训练过程。
  • Variable(变量):Variable是对Tensor的封装,用于自动求导。在PyTorch中,Variable会自动跟踪和记录对其进行的操作,从而构建计算图并支持自动求导。在PyTorch 0.4.0及以后的版本中,Variable被废弃,可以直接使用Tensor来进行自动求导。
  • Dataset(数据集):Dataset是一个抽象类,用于表示数据集。通过继承Dataset类,可以自定义数据集,并实现数据加载、预处理和获取样本等功能。PyTorch还提供了一些内置的数据集类,如MNIST、CIFAR-10等,用于方便地加载常用的数据集。
  • DataLoader(数据加载器):DataLoader用于将Dataset中的数据按批次加载,并提供多线程和多进程的数据预读功能。它可以高效地加载大规模的数据集,并支持数据的随机打乱、并行加载和数据增强等操作。
  • Module(模块):Module是PyTorch中用于构建模型的基类。通过继承Module类,可以定义自己的模型,并实现前向传播和反向传播等方法。Module提供了参数管理、模型保存和加载等功能,方便模型的训练和部署。

1、张量(Tensor

1. 维度(Dimensions)

2. 数据类型(Data Types)

        

【深度学习】Pytorch 系列教程(一):PyTorch数据结构:1、Tensor(张量):维度(Dimensions)、数据类型(Data Types)_QomolangmaH的博客-CSDN博客icon-default.png?t=N7T8https://blog.csdn.net/m0_63834988/article/details/132909219?spm=1001.2014.3001.5501

3. GPU加速(GPU Acceleration)

        在PyTorch中,可以使用GPU加速来进行张量计算。GPU(图形处理器)是一种强大的硬件设备,可以并行处理大量数据,加速深度学习任务的执行。

        要在GPU上执行张量计算,首先需要确保您的系统具有兼容的GPU并安装了相应的GPU驱动程序和CUDA(Compute Unified Device Architecture)工具包。接下来,您可以使用以下步骤将张量移动到GPU上:

import torch

# 检查GPU是否可用
if torch.cuda.is_available():
    # 创建一个张量并将其移动到GPU上
    tensor = torch.tensor([1, 2, 3])
    tensor = tensor.to('cuda')
    print(tensor)

    # 进行张量计算
    result = tensor * 2
    print(result)

    # 将张量移回CPU
    result = result.to('cpu')
    print(result)
else:
    print("GPU不可用")

        在上述代码中,我们首先使用torch.cuda.is_available()检查GPU是否可用。如果可用,我们创建了一个包含整数值的张量,并使用to('cuda')方法将其移动到GPU上。然后,我们可以在GPU上执行张量计算。最后,我们可以使用to('cpu')将张量移回CPU,以便在CPU上进行后续处理。

        请注意,所有涉及张量操作的步骤都需要在同一个设备上执行,否则会引发错误。在执行计算之前,确保将所有张量移动到所需的设备上。

举报

相关推荐

0 条评论