PyTorch介紹

PyTorch是一個開源的Python機器學習庫，Python為基礎，底層由C++實現，應用於人工智慧領域，如自然語言處理。

它最初由Facebook的人工智慧研究團隊於2017開發，為深度學習常用框架

進入PyTorch 官網

https://pytorch.org/get-started/locally/

可以選擇要安裝的PyTorch版本、系統環境、安裝方式、CPU版本等等，選好這些後就會給你一串安裝的指令直接丟到終端機就可以安裝。

之後只要在程式碼輸入:

import torch

就可以順利引入

張量通常是指用來描述「純量、向量或張量」之間關係的「線性映射」，例如「內積、外積、線性映射」等都是張量 。

通常我們稱第零階張量(r=0)為純量，第一階張量 (r=1)為向量，第二階張量(r=2)則成為矩陣。

在PyTorch裡可以用張量來表示多階陣列

import torch 
print(torch.Tensor([[1,2,3],[4,5,6]]))

1. 可以使用屬性shape或使用size()函數來觀察維度

x=torch.Tensor([[1,2,3],[4,5,6]])
print(x.shape)
print(x.size())

2. 可以傳入numpy array使它轉成張量

import torch 
import numpy as np 
print(torch.Tensor(np.array([[1,2,3],[4,5,6]])))

(基本上，他跟numpy array操作一模一樣，只是會有一些差別，其中常見差別為轉換維度)

3. 維度轉換:

一般numpy會使用reshape來轉換維度，但在pytorch裡是使用屬性view來轉換維度

x=torch.Tensor([[1,2,3],[4,5,6]]) 
x=x.view(6)
print(x.shape) 
x=x.view(-1,2)
print(x.shape)

4. 可以使用屬性rand來取0~1隨機數(均勻分佈):

t=torch.rand(2,2)#取2X2維度
print(t)

現在我們使用pytorch來做一個線性回歸(y=ax+b)，來算出斜率和截距

x = torch.Tensor([2,4])#建立2X4維張量 
a = torch.rand(2, requires_grad =True)#隨機斜率 
b = torch.rand(1, requires_grad =True)#隨機截距
print("a:",a)#作為起始迭代值
print("b:",b)#作為起始迭代值

y_pred = a*x + b #線性模型#建立真實值為[5,9]的張量
y_true = torch.Tensor([5,9])#建立損失函數(MSE)
loss =(torch.mean(y_ true - y_pred))**2  
loss.backward()#反向傳播計算梯度
#利用grad屬性即可得到a張量的梯度
print(a.grad)

基本上使用PyTorch提供nn模組就可以輕易建立一個神經網路，利用optim就可以使用優化器，無須手動設置反向傳播和梯度下降

以下舉例:

import numpy as np 
import torch 
D_in, H, D_out,=10,5,2
#建立雙層網路模型 
model = torch.nn.Sequential(
      torch.nn.Linear(D_in, H),#隱藏層     
      torch.nn.ReLU(),#max(0,x)     
      torch.nn.Linear(H, D_out),#輸出層     
      torch.nn.ReLU(),#max(0,x)
      )  
      optimizer = torch.optim.Adam(model.parameters(),lr=0.01)
      print(loss_fn)
      print(optimizer)

接下來，代入資料試試:

x=torch.rand(100,10)#隨機取x-->100X10維 
y_true = torch.rand(100,2)#隨機取真實y-->100X2維
for step inrange(100):#迭代100次
 	y_pred=model(x)#print("y_pred:",y_pred) 
	loss=loss_fn(y_pred,y_true)#算loss
        print("第",step+1,"次loss:",loss) 	
        optimizer.zero_grad()#梯度設為0,反則之前會累加 
	loss.backward() 	
	optimizer.step()

(y為100X2張量,此為其中一次迭代)

(loss隨著次數下降)

以上就是PyTorch基本使用，有興趣的同學可以照著步驟，使用看看