本文主要介紹pytorc檔(pytorch中文文檔pdf)，下面一起看看pytorc檔(pytorch中文文檔pdf)相關(guān)資訊。
torch是_ tensoras _ tensors，從arraylike創(chuàng)建張量，共享內(nèi)存，默認(rèn)從_numpy開始梯度計(jì)算，從ndarray復(fù)制tensor zeros(size)zeros _ likeones(size)ones _ like隨機(jī)生成張量:
伯努利正態(tài)(mean，std)泊松\(out _ i \ simpoisson(input _ i)\)rand(size)u(0，1) rand _ like randn (0，1) randn _ like randperm。
和ndarray一致，可以互相轉(zhuǎn)化，但是張量可以在gpu上運(yùn)行。
通常使用不同數(shù)據(jù)類型的張量:
火炬。飛人，火炬。doubletensortorch。短張量，火炬。int張量，火炬。長(zhǎng)張量默認(rèn)為浮點(diǎn)張量。
建筑火炬。張量(數(shù)據(jù)，數(shù)據(jù)類型，設(shè)備，要求_梯度，pin _存儲(chǔ)器)
參數(shù)列表:
數(shù)據(jù)列表、ruple或ndarray或tensor type(torch . dtype)張量的類型。如果留空，則默認(rèn)數(shù)據(jù)類型，選項(xiàng):torch.float，torch.int，其他設(shè)備的存儲(chǔ)位置(torch.device)張量，如果留空，則在同一個(gè)位置，否則默認(rèn)在cpu上。常見的值有torch . device( ;cuda : 0 ;).(作者 s注:該參數(shù)用于在cpu上訓(xùn)練模型)requires_grad(bool)用于親筆簽名，默認(rèn)值為false。如果需要，可以調(diào)用requires_grad_修改只對(duì)cpu類張量有效的值pin_memory(bool)，將張量賦給pinned內(nèi)存?；蛘唔?yè)鎖內(nèi)存，則默認(rèn)值為false。開啟后張量的讀取速度增加，需要大內(nèi)存的電腦可以使用這個(gè)參數(shù)。對(duì)于張量的數(shù)值，使用torch.as_tensor避免數(shù)據(jù)復(fù)制。
tensor.item僅對(duì)具有一個(gè)元素的張量有效。用括號(hào)索引張量得到的結(jié)果還是張量，需要用item轉(zhuǎn)換成python數(shù)字。
x =火炬。張量([1.0])x . item1.0 data dataset . utils . data . dataset中的抽象類需要重載__len__和__getitem__。
映射樣式的數(shù)據(jù)集映射樣式的數(shù)據(jù)集實(shí)現(xiàn)__getitem__和__len__協(xié)議，并表示從(可能是非整數(shù))索引/鍵到數(shù)據(jù)樣本的映射。
例如，當(dāng)使用數(shù)據(jù)集[idx]訪問這樣的數(shù)據(jù)集時(shí)，可以從磁盤上的文件夾中讀取第idx個(gè)圖像及其相應(yīng)的標(biāo)簽。
iterable-style dataset iterable-style dataset是iterabledataset的子類實(shí)例，它實(shí)現(xiàn)__iter__協(xié)議，并表示數(shù)據(jù)樣本上的iterable。這種類型的數(shù)據(jù)集特別適用于隨機(jī)讀取開銷很大甚至不可行的情況，以及批處理大小取決于獲取的數(shù)據(jù)的情況。
例如，當(dāng)這樣的數(shù)據(jù)集被稱為iter(dataset)時(shí)，它可以返回從數(shù)據(jù)庫(kù)中讀取的數(shù)據(jù)流e、遠(yuǎn)程服務(wù)器，甚至實(shí)時(shí)生成的日志。
數(shù)據(jù)加載對(duì)于迭代數(shù)據(jù)，數(shù)據(jù)加載順序由用戶自定義的__iter__決定。
對(duì)于映射數(shù)據(jù)，請(qǐng)使用torch.utils.data.sampler加載數(shù)據(jù)。
注:torc件不明確，需要結(jié)合具體項(xiàng)目研究。
dataloaderdataloader(dataset，batch_size=1，shuffle=false，sampler=none，batch_sampler=none，num_workers=0，collate_fn=none，pin_memory=false，drop _ last = false，timeout = 0，worker _ init _ fn = none，*，prefetch _ factor = 2，persistent _ workers = false)dataset(dataset)–dataset batch _ size(int，可選)–數(shù)據(jù)批次，每個(gè)批次中有多少次shuffle (bool，可選)–是否中斷collate_fn(可調(diào)用，可選)–讀取時(shí)使用可以填寫模塊型號(hào)。模板:
導(dǎo)入torch.nn作為nni導(dǎo)入torch.nn.functional作為f class mod: d: super。__init__ self.conv1 = nn。conv2d(1，20，5) self.conv2 = nn。conv2d(20，20，5) d: x = f . relu(self。conv1 (x))返回f. relu (self。conv2 (x))焊炬。optim有很多優(yōu)化算法。您需要首先創(chuàng)建一個(gè)優(yōu)化器對(duì)象，然后它將根據(jù)計(jì)算的梯度更新參數(shù)。
optimizer = optim。sgd(model.parameters，lr=0.01，動(dòng)量= 0.9)optimizer = optim . adam([var 1，var 2]，lr = 0.0001)支持算法:adadelta，adagrad，adam，adamw，sparseadam，adamax，asgd，lbfgs，nadam，radam，rmsprop，rprop，sgd。
模型加載和保存保存的對(duì)象是模型類。
torch.save(型號(hào) 。/model . pth ;)load _ model = torch . load( ; )標(biāo)簽:
數(shù)據(jù)加載
了解更多pytorc檔(pytorch中文文檔pdf)相關(guān)內(nèi)容請(qǐng)關(guān)注本站點(diǎn)。