torch.cat()
对象：给定的序列化张量，即Tensor型。功能：实现两个张量在指定维度上的拼接。输出：拼接后的张量。函数以及参数：torch.cat(tensor, dim)，官方给出的有四个参数，但是我们平时只会用到前两个参数即可。tensor：有相同形状的张量序列，所有的张量需要有相同的形状才能够拼接，除非是在拼接维度上两个张量可以有不同的尺寸，或者两个张量都是空的。dim：两个张量或者多个张量拼接的维度。
应用实例1：两个张量形状相同
代码：
import torch
x = torch.randn(2,4)
y = torch.randn(2,4)
print(f'x={x}','\n',f'y={y}')
print(f'z={torch.cat((x,y), 0)}')
输出:
x=tensor([[-1.2870, -0.7040, 0.3016, -0.2970],
[-0.8151, -0.5236, -1.7680, 0.7675]])
y=tensor([[-1.4207, -0.2694, 0.2521, -0.7187],
[ 0.8776, -0.0352, -0.5094, 0.0602]])
z=tensor([[-1.2870, -0.7040, 0.3016, -0.2970],
[-0.8151, -0.5236, -1.7680, 0.7675],
[-1.4207, -0.2694, 0.2521, -0.7187],
[ 0.8776, -0.0352, -0.5094, 0.0602]])
应用实例2：多个张量形状相同
代码：
import torch
x = torch.randn(2,4)
y = torch.randn(2,4)
print(f'x={x}','\n',f'y={y}')
print(f'z={torch.cat((x,y,x,y), 0)}')
输出：
x=tensor([[ 0.4697, -0.4881, -2.0199, -0.8661],
[ 0.4911, -0.1259, 1.1939, 0.7730]])
y=tensor([[ 0.8633, 0.4438, -0.6975, 0.5440],
[ 0.1554, -1.6358, -1.2234, -0.6597]])
z=tensor([[ 0.4697, -0.4881, -2.0199, -0.8661],
[ 0.4911, -0.1259, 1.1939, 0.7730],
[ 0.8633, 0.4438, -0.6975, 0.5440],
[ 0.1554, -1.6358, -1.2234, -0.6597],
[ 0.4697, -0.4881, -2.0199, -0.8661],
[ 0.4911, -0.1259, 1.1939, 0.7730],
[ 0.8633, 0.4438, -0.6975, 0.5440],
[ 0.1554, -1.6358, -1.2234, -0.6597]])
应用实例3：两个张量形状不同，但只在拼接维度上
代码：
import torch
x = torch.randn(3,4)
y = torch.randn(2,4)
print(f'x={x}','\n',f'y={y}')
print(f'z={torch.cat((x,y), 0)}')
x_1 = torch.randn(2,3)
y_1 = torch.randn(2,4)
print(f'x_1=\n{x_1}','\n',f'y_1=\n{y_1}')
print(f'z_1=\n{torch.cat((x_1,y_1), 1)}')
输出：
x=tensor([[-0.1966, -0.9648, 1.2787, -1.4578],
[-1.2216, 0.1663, 0.5380, -0.0376],
[-1.7365, -0.4151, -1.0336, -0.6732]])
y=tensor([[ 1.4477, 0.3616, -0.1504, 0.4662],
[-1.1334, 1.3100, 0.1624, 0.8206]])
z=tensor([[-0.1966, -0.9648, 1.2787, -1.4578],
[-1.2216, 0.1663, 0.5380, -0.0376],
[-1.7365, -0.4151, -1.0336, -0.6732],
[ 1.4477, 0.3616, -0.1504, 0.4662],
[-1.1334, 1.3100, 0.1624, 0.8206]])
x_1=
tensor([[ 1.1418, 0.0774, 0.2047],
[-0.0673, -1.5794, 0.0131]])
y_1=
tensor([[ 1.4149, -1.9538, 0.1660, 1.1142],
[-1.6455, 0.5595, -0.1162, 0.8628]])
z_1=
tensor([[ 1.1418, 0.0774, 0.2047, 1.4149, -1.9538, 0.1660, 1.1142],
[-0.0673, -1.5794, 0.0131, -1.6455, 0.5595, -0.1162, 0.8628]])
Process finished with exit code 0
torch.Tensor.repeat()：
对象：给定的张量，即Tensor型。功能：在指定的维度上对张量进行重复扩充，也可以用来增加维度。输出：升维或扩充后的张量。函数以及参数：torch.tensor.repeat(size)，size所在的索引表示扩充的维度的索引。size：表示张量在这个索引维度下的扩充倍数。注意事项：函数的参数量必须大于等于tensor的维度，如a.shape=(2,3)，那么如果我们想扩充2倍a的第0个维度时，应该这么写a.repeat(2,1)，对于不扩充的维度则写1。
应用实例1：一维张量扩充
代码：
import torch
x = torch.randn(3)
print(f'x={x}')
print(f'x_1={x.repeat(2)}')
输出：
x=tensor([-0.1485, 1.8445, 1.4257])
x_1=tensor([-0.1485, 1.8445, 1.4257, -0.1485, 1.8445, 1.4257])
应用实例2：多维张量扩充
代码：
import torch
x = torch.randn(3, 4, 3)
print(f'x={x}')
#在第2个维度上扩充两倍，其他维度保持不变
print(f'x_1={x.repeat(1,1,2)}')
输出：
x=tensor([[[-0.0294, 1.2902, 0.9825],
[-0.3032, 1.6733, 0.9163],
[ 0.3079, -0.0159, 0.2626],
[-0.2934, -0.6076, 0.1593]],
[[ 1.7661, -1.0698, 0.4074],
[-0.3660, -0.3219, 0.3732],
[-1.3314, -0.8263, -1.0793],
[ 1.2589, 0.1886, 0.5453]],
[[ 0.2520, -0.5695, -0.6685],
[ 0.5554, 0.0119, -0.5650],
[ 0.9733, -0.3812, 0.1963],
[-1.1284, 0.2561, 0.4507]]])
x_1=tensor([[[-0.0294, 1.2902, 0.9825, -0.0294, 1.2902, 0.9825],
[-0.3032, 1.6733, 0.9163, -0.3032, 1.6733, 0.9163],
[ 0.3079, -0.0159, 0.2626, 0.3079, -0.0159, 0.2626],
[-0.2934, -0.6076, 0.1593, -0.2934, -0.6076, 0.1593]],
[[ 1.7661, -1.0698, 0.4074, 1.7661, -1.0698, 0.4074],
[-0.3660, -0.3219, 0.3732, -0.3660, -0.3219, 0.3732],
[-1.3314, -0.8263, -1.0793, -1.3314, -0.8263, -1.0793],
[ 1.2589, 0.1886, 0.5453, 1.2589, 0.1886, 0.5453]],
[[ 0.2520, -0.5695, -0.6685, 0.2520, -0.5695, -0.6685],
[ 0.5554, 0.0119, -0.5650, 0.5554, 0.0119, -0.5650],
[ 0.9733, -0.3812, 0.1963, 0.9733, -0.3812, 0.1963],
[-1.1284, 0.2561, 0.4507, -1.1284, 0.2561, 0.4507]]])
应用实例3：张量维度扩充
代码：
import torch
x = torch.randn(1,2)
print(f'x={x}')
#将a多扩充一个维度，这个维度扩充的倍数需要写在最前面，如此案例的3
print(f'x_1={x.repeat(3,1,1)}')
输出：
x=tensor([[-0.2581, -0.8387]])
x_1=tensor([[[-0.2581, -0.8387]],
[[-0.2581, -0.8387]],
[[-0.2581, -0.8387]]])
torch.ones_like()
对象：张量Tensor。功能：根据输入张量的形状，生成同样形状的元素为单位1的新张量。输出：shape与输入张量相同的，元素全为1的张量。函数以及参数：torch.ones_like(tensor)。tensor：输入张量。
应用实例1：
代码：
import torch
x = torch.randn(1,2)
y = torch.ones_like(x)
print(f'x={x}')
print(f'y={y}')
输出:
x=tensor([[-0.8550, -1.1273]])
y=tensor([[1., 1.]])
torch.zeros_like()
对象：张量Tensor。功能：根据输入张量的形状，生成同样形状的元素全为0的新张量。输出：shape与输入张量相同的，元素全为0的张量。函数以及参数：torch.ones_like(tensor)。tensor：输入张量。
应用实例1：
代码：
import torch
x = torch.randn(1,2)
y = torch.zeros_like(x)
print(f'x={x}')
print(f'y={y}')
输出:
x=tensor([[ 0.3998, -0.4588]])
y=tensor([[0., 0.]])
torch.max()
对象：一个张量或两个Tensor。功能：通过对张量遍历（或对张量的某一个维度遍历）输出张量的最大值，也可以输入两个张量，通过比较两个张量间对应位置的元素，取最大值，最终输出所有位置上最大值构成的张量。输出：某个最大值，或者张量，以及最大值的索引。函数以及参数：torch.max(input_tensor，dim)。input_tensor：输入张量。dim：指定维度。
应用实例1：单维度
代码：
import torch
x = torch.randn(1,4)
x_max = torch.max(x)
#dim=0是每列的最大值，dim=1是每行的最大值，返回最大值以及最大值索引
x_row,pos = torch.max(x, dim=1)
print(f'x={x}')
print(f'x_max={x_max}')
print(f'x_ans={x_row}')
print(f'max_pos={pos}')
输出:
x=tensor([[ 1.7854, -0.5585, -0.5001, 0.4208]])
x_max=1.785356879234314
x_ans=tensor([1.7854])
max_pos=tensor([0])
应用实例2：多维度
代码：
import torch
x = torch.randn(3,4)
x_max = torch.max(x)
#返回每行的最大值，以及最大值在对应行的索引
x_row,pos = torch.max(x, dim=1)
print(f'x={x}')
print(f'x_max={x_max}')
print(f'x_ans={x_row}')
print(f'max_pos={pos}')
输出:
x=tensor([[-0.2816, -0.4243, 0.9465, 0.1041],
[ 0.5618, -1.4577, -0.2811, 1.6255],
[-0.9093, -1.6243, -0.5805, -0.3621]])
x_max=1.6254589557647705
x_ans=tensor([ 0.9465, 1.6255, -0.3621])
max_pos=tensor([2, 3, 3])
应用实例3：输入两个张量
代码：
import torch
x = torch.randn(3,4)
y = torch.randn(3,4)
x_y = torch.max(x, y)
print(f'x={x}')
print(f'y={y}')
print(f'x_y={x_y}')
输出:
x=tensor([[-0.0504, 1.5075, 0.7595, -0.1954],
[ 0.1285, -1.3820, 0.8436, 0.2701],
[ 0.2804, 0.9583, -0.1772, 1.0917]])
y=tensor([[-1.1441, 1.7095, 0.2986, -1.3146],
[ 0.8251, -0.4364, 1.0754, 0.2895],
[ 0.3503, -0.7810, -1.4669, 0.9201]])
x_y=tensor([[-0.0504, 1.7095, 0.7595, -0.1954],
[ 0.8251, -0.4364, 1.0754, 0.2895],
[ 0.3503, 0.9583, -0.1772, 1.0917]])
应用实例4：实例3基础上，选择输出的某个维度进行max，该场景常用于深度学习的正负样本匹配中
代码：
import torch
x = torch.randn(2,3,2)
y = torch.randn(2,3,2)
x_y = torch.max(x, y)
#[0]表示输出的是元素的张量，[1]表示输出的元素的索引，该场景常用于深度学习的正负样本匹配中
x_y_ans = x_y.max(2)[0]
print(f'x={x}')
print(f'y={y}')
print(f'x_y={x_y}')
print(f'x_y_ans={x_y_ans}')
输出:
x=tensor([[[ 0.2531, 0.1651],
[-0.4608, -1.2071],
[ 0.9032, -0.8951]],
[[ 0.2045, 0.5828],
[ 0.6315, 1.5716],
[-0.5640, -1.8911]]])
y=tensor([[[-0.1512, 1.3686],
[ 0.4760, -1.3106],
[ 0.2326, 0.4541]],
[[ 0.3184, -0.6637],
[-1.3316, -1.0620],
[-0.2468, -0.2879]]])
x_y=tensor([[[ 0.2531, 1.3686],
[ 0.4760, -1.2071],
[ 0.9032, 0.4541]],
[[ 0.3184, 0.5828],
[ 0.6315, 1.5716],
[-0.2468, -0.2879]]])
x_y_ans=tensor([[ 1.3686, 0.4760, 0.9032],
[ 0.5828, 1.5716, -0.2468]])
torch.chunk()
对象：一个张量Tensor。功能：将张量按照我们想要切分的个数，以及切分的维度，将张量在指定维度上平均切分成n个张量。输出：切分后的n个张量。函数以及参数：torch.chunk(input_tensor，chunks，dims)。input_tensor：输入张量。chunks：切分出chunks个张量。dim：指定维度。
应用实例1：
代码：
import torch
x = torch.randn(5,3)
#指定索引为1的维度，即3这个维度，分成2个tensor，因此一个tensor的维度为(5,2)
#另外一个tensor的维度为(5,1)
x_1,x_2 = x.chunk(2,1)
print(f'x={x}')
print(f'x_1={x_1}')
print(f'x_2={x_2}')
输出:
x=tensor([[-1.4278, -0.3466, 1.1817],
[ 0.7366, 1.3741, 1.4865],
[-0.3405, -0.6658, 1.0279],
[-0.7094, -0.1081, 1.9509],
[-0.4722, -0.6317, -1.4544]])
x_1=tensor([[-1.4278, -0.3466],
[ 0.7366, 1.3741],
[-0.3405, -0.6658],
[-0.7094, -0.1081],
[-0.4722, -0.6317]])
x_2=tensor([[ 1.1817],
[ 1.4865],
[ 1.0279],
[ 1.9509],
[-1.4544]])
torch.cuda.amp.autocast() 和torch.cuda.amp.GradScaler
amp功能：amp即使用混合精度学习的方式来训练网络，用于前向传播部分（包括loss的计算），不能用于反向传播的过程。注意：Pytorch1.5版本之前可以通过pip install apex，然后from apex import amp来调用amp.scale_loss，但是从Pytorch1.6开始之后的版本，调用时会导致报错。可以通过使用Pytorch自带的torch.cuda.amp来代替。autocast功能：在进入autocast上下文之后，cuda ops会自动把tensor的数据类型转换为半精度浮点型，从而在不损失训练精度的情况下加快运算。GradScaler功能：可以通过放大loss的值来防止梯度消失underflow
使用方法1：
from torch.cuda.amp import autocast
from torch.optim import SGD
model = Net().cuda()
optimizer = SGD(...)
model.train()
for epoch in epochs:
for step, data in enumerate(train_loader):
optimizer.zero_grad()
with amp.autocast():
output = model(data)
total_loss = compute_loss(output, GT)
total_loss.backward()
optimizer.step()
使用方法2：加入GradScaler
from torch.cuda.amp import autocast
from torch.optim import SGD
model = Net().cuda()
optimizer = SGD(...)
model.train()
#在训练最开始之前实例化一个GradScaler对象
scaler = amp.GradScaler()
for epoch in epochs:
for step, data in enumerate(train_loader):
optimizer.zero_grad()
with amp.autocast():
output = model(data)
total_loss = compute_loss(output, GT)
scaler.scale(total_loss).backward()
scaler.step(optimizer)
scaler.update()
该部分参考此篇博客
torch.detach()
对象：给定的张量，即Tensor型。功能：返回一个新的张量，这个张量从当前的计算图中分离出来，但仍指向原变量的存储位置，但是这个张量在计算图中不再计算梯度与更新梯度。注意：修改分离出来的tensor时，同样会改变原来的tensor，因为他们都指向同一个地址。
应用实例1：当使用detach()分离tensor
代码：
import torch
a = torch.tensor([1., 2., 3.], requires_grad=True)
print(a.grad)
out = a.sigmoid()
print(out)
# 添加detach()，c的requires_grad为False
c = out.detach()
print(c)
输出:
None
tensor([0.7311, 0.8808, 0.9526], grad_fn=<SigmoidBackward0>)
tensor([0.7311, 0.8808, 0.9526])
应用实例2：当使用detach()分离tensor但并没有改变tensor的值时，对其进行backward()不会有问题
代码：
import torch
a = torch.tensor([1., 2., 3.], requires_grad=True)
print(a.grad)
out = a.sigmoid()
print(out)
# 添加detach()，c的requires_grad为False
c = out
print(c)
# 使用新生成的Variable进行反向传播
c.sum().backward()
print(a.grad)
输出：
None
tensor([0.7311, 0.8808, 0.9526], grad_fn=<SigmoidBackward0>)
tensor([0.7311, 0.8808, 0.9526], grad_fn=<SigmoidBackward0>)
tensor([0.1966, 0.1050, 0.0452])
应用实例3：当使用detach()分离tensor，但对分离出来的tensor进行求梯度时，会有问题。
代码：
import torch
a = torch.tensor([1., 2., 3.], requires_grad=True)
print(a.grad)
out = a.sigmoid()
print(out)
# 添加detach()，c的requires_grad为False
c = out.detach()
print(c)
# 使用新生成的Variable进行反向传播
c.sum().backward()
print(a.grad)
输出：
None
tensor([0.7311, 0.8808, 0.9526], grad_fn=<SigmoidBackward0>)
tensor([0.7311, 0.8808, 0.9526])
RuntimeError: element 0 of tensors does not require grad and does not have a grad_fn
应用实例4：当使用detach()分离tensor并更改时，即使对原张量进行求梯度，也会有问题。
代码：
import torch
a = torch.tensor([1., 2., 3.], requires_grad=True)
print(a.grad)
out = a.sigmoid()
print(out)
# 添加detach()，c的requires_grad为False
c = out.detach()
print(c)
# 使用新生成的Variable进行反向传播
c.sum().backward()
print(a.grad)
输出：
None
tensor([0.7311, 0.8808, 0.9526], grad_fn=<SigmoidBackward0>)
tensor([0.7311, 0.8808, 0.9526])
tensor([0., 0., 0.])
tensor([0., 0., 0.], grad_fn=<SigmoidBackward0>)
RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation: [torch.FloatTensor [3]], which is output 0 of SigmoidBackward0, is at version 1; expected version 0 instead. Hint: enable anomaly detection to find the operation that failed to compute its gradient, with torch.autograd.set_detect_anomaly(True).
引用自：pytorch：.detach()、.detach_()的作用和区别
torch.no_grad()
对象：所有计算得到的张量结果功能：在该模块下，所有计算得到的张量的requires_grad都会被设置成false，即不再进行反向传播，也不求导。注意：通常伴随with使用，即with torch.no_grad():
应用实例1：
代码：
x = torch.randn(10, 5, requires_grad = True)
y = torch.randn(10, 5, requires_grad = True)
z = torch.randn(10, 5, requires_grad = True)
with torch.no_grad():
w = x + y + z
print(w.requires_grad)
print(w.grad_fn)
print(w.requires_grad)
输出:
False
None
False
torch.backward()
对象：张量运算后的结果。功能：根据张量的运算方式，来求输入的梯度变化，即求导或者求偏导。
应用实例1：
代码：
x = torch.tensor([1,2], dtype=torch.float32, requires_grad=True)
y = x + 1
print(y)
z = torch.mean(y**2)
print(z)
z.backward()
print(x.grad)
输出:
tensor([2., 3.], grad_fn=<AddBackward0>)
tensor(6.5000, grad_fn=<MeanBackward0>)
tensor([2., 3.])
应用实例2：
代码：
x = torch.tensor([1,2], dtype=torch.float32, requires_grad=True)
y = x.sigmoid()
print(y)
y.sum().backward()
print(x.grad)
输出:
tensor([0.7311, 0.8808], grad_fn=<SigmoidBackward0>)
tensor([0.1966, 0.1050])
应用实例3：
代码：
x = torch.tensor([1,2,3], dtype=torch.float32, requires_grad=True)
y = x.sigmoid()
print(y)
y.backward(torch.ones_like(x))
print(x.grad)
输出:文章来源：https://www.toymoban.com/news/detail-702565.html
tensor([0.7311, 0.8808, 0.9526], grad_fn=<SigmoidBackward0>)
tensor([0.1966, 0.1050, 0.0452])
细品这三个案例之间的区别~文章来源地址https://www.toymoban.com/news/detail-702565.html
✨✨持续更新中…
到了这里，关于深度学习Pytorch常用api详解记录的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
