CSDN独家 | 全网首发 | Pytorch深度学习·理论篇(2023版)目录本专栏将通过系统的深度学习实例，从可解释性的角度对深度学习的原理进行讲解与分析，通过将深度学习知识与Pytorch的高效结合，帮助各位新入门的读者理解深度学习各个模板之间的关系，这些均是在Pytorch上实现的，可以有效的结合当前各位研究生的研究方向，设计人工智能的各个领域，是经过一年时间打磨的精品专栏！https://v9999.blog.csdn.net/article/details/127587345欢迎大家订阅(2023版)理论篇
以下为2021版原文~~~~
1 在GPU与CPU上定义张量 1.1 GPU与CPU的张量相互转化 import torch# 创建一个张量a = torch.FloatTensor()# 将CPU上的张量在GPU所管理的内存中重新创建b = a.cuda()print(b) # 输出 tensor([], device='cuda:0')# 将GPU上的张量创建到CPU上print(b.cpu()) # 输出 tensor([]) 1.2 在GPU上定义张量 import torch# 创建一个张量a = torch.tensor([4],device='cuda')#在GPU上定义一个张量print(a) # 输出 tensor([4], device='cuda:0') 1.3 指定GPU设备运行的两种方法 1.3.1 代码方式 import torch# 创建一个张量a = torch.FloatTensor([4])print(a.to('cuda:0')) # 输出 tensor([4.], device='cuda:0') 1.3.2 命令行方式 CUDA_VISIBLE_DEVICES=1 # 只有编号为1的GPU对程序是可见的，在代码中gpu[0]指的就是这块儿GPUCUDA_VISIBLE_DEVICES=0,2,3 # 只有编号为0,2,3的GPU对程序是可见的，在代码中gpu[0]指的是第0块儿，# gpu[1]指的是第2块儿，gpu[2]指的是第3块儿CUDA_VISIBLE_DEVICES=2,0,3 # 只有编号为0,2,3的GPU对程序是可见的，但是在代码中gpu[0]指的是第2块儿，# gpu[1]指的是第0块儿，gpu[2]指的是第3块儿
使用方法1：
CUDA_VISIBLE_DEVICES=0 python 自己的代码.py
使用方法2：
# 在代码首行添加如下代码import osos.environ["CUDA_VISIBLE_DEVICES"] = 0 # 将当前代码放置在第一个GPU上运行 2 具有随机值的张量 2.1 随机种子的设置 ### 所有的随机值都是由随机种子设定的import torchtorch.initial_seed() # 查看随机种子torch.manual_seed(2) # 设置随机种子 2.2 生成指定形状的随机值 import torcha = torch.rand(2,3) #指定形状print(a) # 输出 tensor([[0.3513, 0.7726, 0.8044],[0.5643, 0.9863, 0.6723]]) 2.3 生成线性空间的随机值 import torch### torch.arange() 取值范围只包括初始值，不包括结束值a = torch.arange(1,10,step=2) # 1至10之间，按照步长为2进行取值print(a) # tensor([1, 3, 5, 7, 9])### torch.linspace() 取值范围只包括初始值，也包括结束值b = torch.linspace(1,9,steps=5)# 1至9之间，均匀取5个值print(b) # tensor([1., 3., 5., 7., 9.]) 2.4 生成对数空间的随机值 import torchprint(torch.logspace(1,9,steps=5)) #同torch.linspace()# 输出 tensor([1.0000e+01, 1.0000e+03, 1.0000e+05, 1.0000e+07, 1.0000e+09]) 2.5 生成未初始化的矩阵 import torchprint(torch.empty(1,2)) # 生成指定形状的未初始化的矩阵# tensor([[6.6718e+35, 2.3473e-38]]) 2.6 更多随机值生成函数例如：伯努利分布、柯西分布、指数分布、几何分布、对数正态分布、正态分布、均匀分布、连续均匀分布
3 张量的数学运算 3.1 运算函数与运算方法 import torcha = torch.FloatTensor([4])print(a) # 输出 tensor([4.])### Pytorch重载运算符print(a+a) # 输出 tensor([8.])### Pytorch的加法函数b = torch.add(a,a) print(b) # 输出 tensor([8.])### Pytorch的指定输出函数torch.add(a,a,out=b)print(b) # 输出 tensor([8.]) 3.2 自变化运算函数 import torcha = torch.FloatTensor([4])### 自变化运算函数是指：在变量本身的基础上做运算，最终结果会作用于自己本身a.add_(a)print(a) # 输出 tensor([8.])
