04_Pytorch生态、PyTorch能做什么、PyTorch之Autograd、autograd案例、GPU加速案例

川长思鸟来 2023-01-06 15:56 267阅读 0赞

## 1.4.初见PyTorch ##

### 1.4.1.PyTorch生态 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0_size_16_color_FFFFFF_t_70_pic_center]

### 1.4.2.PyTorch能做什么？ ###

GPU加速  
自动求导  
常用网络层

nn.Linear
    nn.Conv2d
    nn.LSTM
    
    nn.ReLU
    nn.Sigmoid
    
    nn.Softmax
    nn.CrossEntropyLoss
    nn.MSE

### 1.4.3.PyTorch之Autograd ###

以下部分来自：https://www.cnblogs.com/xueqiuqiu/p/7513721.html  
在PyTorch中，autograd是所有神经网络的核心内容，为Tensor所有操作提供自动求导方法。

它是一个按运行方式定义的框架，这意味着backprop是由代码的运行方式定义的。

#### 1.4.3.1.Variable ####

autograd.Variable是autograd中最核心的类。它包装了一个Tensor，并且几乎支持所有在其上定义的操作。一旦完成了你的运算，你可以调用.backward()来自动计算出所有的梯度。

Variable有三个属性：data , grad以及creator。

访问原始的tensor使用属性.data； 关于这一Variable的梯度则集中于 .grad； .creator反映了创建者，标识了是否由用户使用.Variable直接创建（None）。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0_size_16_color_FFFFFF_t_70_pic_center 1]  
还有一个对autograd的实现非常重要的类—Function。Variable和Function数是相互关联的，并建立一个非循环图，从而编码完整的计算过程。每个变量都有一个.grad\_fn属性引用创建变量的函数（除了用户创建的变量，它们的grad\_fn是None）。

# -*- coding: UTF-8 -*-
    
    import torch
    from torch.autograd import Variable

**创建变量X:**

x = Variable(torch.ones(2, 2), requires_grad=True)
    print(x)

输出结果：

tensor([[1., 1.],
            [1., 1.]], requires_grad=True)

在X基础上进行运算：

y = x + 2
    print(y)

输出结果：

tensor([[3., 3.],
            [3., 3.]], grad_fn=<AddBackward0>)

查看x的grad\_fn:  
print(x.grad\_fn)  
输出结果为：  
None

查看y的grad\_fn:

print(y.grad_fn)

输出结果为：

可以看到y是作为运算的结果产生的，所以y有grad\_fn，而x是直接创建的，所以x没有grad\_fn。

在y基础上进行运算：

z = y * y * 3            #前两个相当于是矩阵相乘
    out = z.mean()
    print(z)
    print(out)

输出结果为：

tensor([[27., 27.],
    [27., 27.]], grad_fn=<MulBackward0>)
    
    tensor(27., grad_fn=<MeanBackward0>)

### 1.4.4.autograd案例 ###

# -*- coding: UTF-8 -*-
    
    import torch
    from torch import autograd
    
    
    x = torch.tensor(1.)
    a = torch.tensor(1., requires_grad=True)
    b = torch.tensor(2., requires_grad=True)
    c = torch.tensor(3., requires_grad=True)
    
    y = a**2 * x + b ** 3 *  x + c
    
    print('before:', a.grad, b.grad, c.grad)
    # 分别对a,b,c求导（对某个值进行求导的时候，别的作为常量）
    grads = autograd.grad(y, [a, b, c])
    print('after :', grads[0], grads[1], grads[2])
    运行结果：
    before: None None None
    after : tensor(2.) tensor(12.) tensor(1.)

### 1.4.5.GPU加速案例 ###

# -*- coding: UTF-8 -*-
    
    import torch
    import time
    
    print(torch.__version__)
    print(torch.cuda.is_available())
    
    a = torch.randn(10000, 1000)
    b = torch.randn(1000, 2000)
    
    t0 = time.time()
    c = torch.matmul(a, b)
    t1 = time.time()
    print(a.device, t1 - t0, c.norm(2))
    
    # 使用cuda
    device = torch.device('cuda')
    a = a.to(device)
    b = b.to(device)
    
    t0 = time.time()
    c = torch.matmul(a, b)
    t2 = time.time()
    print(a.device, t2 - t0, c.norm(2))
    
    t0 = time.time()
    c = torch.matmul(a, b)
    t2 = time.time()
    print(a.device, t2 - t0, c.norm(2))

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0_size_16_color_FFFFFF_t_70_pic_center]: /images/20221119/d12b21ed830449c3896b6af3e54062de.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0_size_16_color_FFFFFF_t_70_pic_center 1]: https://img-blog.csdnimg.cn/20210114232332622.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0,size_16,color_FFFFFF,t_70#pic_center