import torch

from torch.autograd import Variable

保存和加载模型

  1. # 保存和加载整个模型
  2. torch.save(model_object, 'path/model.pkl')
  3. model = torch.load('path/model.pkl')
  5. # 仅保存和加载模型参数(推荐使用)
  6. torch.save(model_object.state_dict(), 'path/params.pkl')
  7. model_object.load_state_dict(torch.load('path/params.pkl'))

建立需要优化的参数

b1 = Variable(torch.randn(m, n), requires_grad=True)

乘法

h1 = x.mm(w1).add(b1) 或者 h1 = torch.add(torch.mm(x, w1), b1)

梯度清零

w1.grad.data.zero_()

基本程序实例

创建常量tensor

torch.empty(size)返回形状为size的空tensor

torch.zeros(size)全部是0的tensor

torch.zeros_like(input)返回跟input的tensor一个size的全零tensor

torch.ones(size)全部是1的tensor

torch.ones_like(input)返回跟input的tensor一个size的全一tensor

torch.arange(start=0, end, step=1)返回一个从start到end的序列，可以只输入一个end参数，就跟python的range()一样了。实际上PyTorch也有range()，但是这个要被废掉了，替换成arange了

torch.full(size, fill_value)这个有时候比较方便，把fill_value这个数字变成size形状的张量

随机初始化

torch.rand(size) [0,1)内的均匀分布随机数

torch.rand_like(input)返回跟input的tensor一样size的0-1随机数

torch.randn(size)返回标准正太分布N(0,1)的随机数

torch.normal(mean, std, out=None)正态分布。这里注意，mean和std都是tensor，返回的形状由mean和std的形状决定，一般要求两者形状一样。如果，mean缺失，则默认为均值0，如果std缺失，则默认标准差为1.

切片、合并、变形、抽取操作

torch.cat(seq, dim=0, out=None),把一堆tensor丢进去，按照dim指定的维度拼接、堆叠在一起

  1. In [70]: x = torch.tensor([[1,2,3]])
  2. In [71]: x
  3. Out[71]: tensor([[1, 2, 3]])
  5.  #按第0维度堆叠，对于矩阵，相当于“竖着”堆
  6. In [72]: print(torch.cat((x,x,x),0))
  7. tensor([[1, 2, 3],
  8.         [1, 2, 3],
  9.         [1, 2, 3]])
  11.  #按第1维度堆叠，对于矩阵，相当于“横着”拼
  12. In [73]: print(torch.cat((x,x,x),1)) 
  13. tensor([[1, 2, 3, 1, 2, 3, 1, 2, 3]]).

torch.chunk(tensor, chunks, dim=0)把tensor切成块，数量由chunks指定

  1. In [74]: a = torch.arange(10)
  2. In [75]: a
  3. Out[75]: tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
  5. In [76]: torch.chunk(a,4)
  6. Out[76]: (tensor([0, 1, 2]), tensor([3, 4, 5]), tensor([6, 7, 8]), tensor([9]))

切块还有torch.split(tensor, split_size_or_sections, dim=0)具体区别大家自行查阅文档

按index选择：torch.index_select(input, dim, index, out=None)

按mask选择：torch.masked_select(input, mask, out=None)

经常会使用的“压扁”函数：torch.squeeze(input),压缩成1维。注意，压缩后的tensor和原来的tensor共享地址

改变形状：torch.reshape(input, shape)以及tensor.view(shape).前者是把tensor作为函数的输入，后者是任何tensor的函数。实际上，二者的返回值，都只是让我们从另一种视角看某个tensor，所以不会改变本来的形状，除非你把结果又赋值给原来的tensor。下面给一个例子对比二者的用法：

  1. In [82]: a
  2. Out[82]: tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
  4. # 单纯的调用view函数：
  5. In [83]: a.view(2,5)
  6. Out[83]:
  7. tensor([[0, 1, 2, 3, 4],
  8.         [5, 6, 7, 8, 9]])
  10. # a的形状并不会变化
  11. In [84]: print(a) 
  12. tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
  14. # 试试reshape函数：
  15. In [86]: torch.reshape(a,[5,2])
  16. Out[86]:
  17. tensor([[0, 1],
  18.         [2, 3],
  19.         [4, 5],
  20.         [6, 7],
  21.         [8, 9]])
  23. # a的形状依然不会变化：
  24. In [87]: a
  25. Out[87]: tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

要想让a的形状变化，比如把结果赋值给a，比如a = a.view(2,5)

还有好多有意思的操作，自己去发掘吧：

https://pytorch.org/docs/stable/torch.html#indexing-slicing-joining-mutating-ops

基本数学操作

加法直接加：x+y

或者用torch.add(x,y).

实际上，.add()可以接受三个参数：torch.add(input, value, out=None)

out怎么用呢？一般，如果直接torch.add(x,y)，那么x，y本身都不会变化的。但是如果设置out=x，那么x就变变成加和后的值。

特别的，若想进行in-place操作，就比方说y加上x，y的值就改变了，就可以用y.add(x)这样y就直接被改变了。Torch里面所有带”“的操作，都是in-place的。例如x.copy_(y)

乘法：

  1. torch.dot(a,b)      # 向量点乘
  2. torch.mul(a,b)      # 对应点相乘，不求和
  3. torch.mm(a,b)       # 矩阵相乘

除法：torch.div(input, other, out=None)用input除以other

指数：torch.pow(input, exponent, out=None)

开根号：torch.sqrt(input, out=None)

四舍五入到整数：torch.round(input, out=None)

argmax函数：torch.argmax(input, dim=None, keepdim=False)返回指定维度最大值的序号，dim给定的定义是：the demention to reduce.也就是把dim这个维度的，变成这个维度的最大值的index。例如：

Pytorch - 图1

gmoid函数：torch.sigmoid(input, out=None)

tanh函数：torch.tanh(input, out=None)

torch.abs(input, out=None)取绝对值

torch.ceil(input, out=None)向上取整，等于向下取整+1

torch.clamp(input, min, max, out=None)刀削函数，把输入数据规范在min-max区间，超过范围的用min、max代替

太多了，基本上，numpy里面有的数学函数这里都有，能想到的的基本都有。所以更详细的内容，还是去查看文档吧哈哈：

https://pytorch.org/docs/stable/torch.html#math-operations

三、Torch Tensor与Numpy、列表的互相转换

torch tensor转数值
item函数

Tensor—>Numpy

直接用.numpy()即可。但是注意，转换后，numpy的变量和原来的tensor会共用底层内存地址，所以如果原来的tensor改变了，numpy变量也会随之改变。参见下面的例子：

  1. In [11]: a = torch.ones(2,4)
  2. In [12]: a
  3. Out[12]:
  4. tensor([[1., 1., 1., 1.],
  5.         [1., 1., 1., 1.]])
  7. In [13]: b = a.numpy()
  8. In [14]: b
  9. Out[14]:
  10. array([[1., 1., 1., 1.],
  11.        [1., 1., 1., 1.]], dtype=float32)
  13. In [15]: a.add_(1)
  14. Out[15]:
  15. tensor([[2., 2., 2., 2.],
  16.         [2., 2., 2., 2.]])
  18. In [16]: b
  19. Out[16]:
  20. array([[2., 2., 2., 2.],
  21.        [2., 2., 2., 2.]], dtype=float32)

Numpy—>Tensor

用torch.from_numpy()来转换。参见下面例子：

  1. import numpy as np
  2. a = np.ones(5)
  3. b = torch.from_numpy(a)
  4. np.add(a, 1, out=a)
  5. print(a)
  6. print(b)

输出：

  1. [2. 2. 2. 2. 2.]
  2. tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

同样，两者会共用内存地址。