2024年9月pytorch入门（pytorch 入门 api）

　　⑴pytorch入门（pytorch入门api

　　⑵pytorch入门api

　　⑶张量神经网络训练图片分类器DataParallel多GPU示例

　　⑷pytorch-geometric从入门到不放弃day

　　⑸已经学习了data，dataset和dataloader，不如就先实战根据自己的数据集，写好自定义的dataset吧。、首先将每个图数据预处理成Data需要的形式：x是所有节点的特征，【num_nodes,embed_dim】，要注意这里所有的节点特征维度需要一致；edge_index是邻接表，有向图：【【,】，【,】】；无向图：【【,,,】，【,,,】】；y类别标签；其他自定义的数据，需要是int或者float类型。最后分别转换成numpy.array类型，使用numpy.savez()保存成npz文件，分别存放在train/eval/test路径下的graph文件夹里，后面要用。np.savez(os.path.join(path,data_name,’graph’,file_id+’.npz’),x=x,edge_index=edge_idx,y=y,dtype=object)、自定义dataset，主要是__getitem__函数，逻辑是传入上面处理好的文件list，然后getitem函数按照列表下标读取，返回Data类型就好。classGraphDataset(Dataset):??def__init__(self,root,file_list,treeLenDic,lower=,upper=):????super(GraphDataset,self).__init__()????self.root=root????self.file_list=list(filter(lambdaid:id.split(’.’)《=upper,file_list))??def__len__(self):????returnlen(self.file_list)??def__getitem__(self,idx):????id=self.file_list????data=np.load(os.path.join(self.root,id),allow_pickle=True)????returnData(x=torch.tensor(data,dtype=torch.float),????????edge_index=torch.LongTensor(data),????????y=torch.LongTensor()这里对每个图文件的长度做了筛选，要至少有两个节点，那种只有一个点的就不考虑了，TreeLenDic是个字典，{graph_id:len}..将Dataset实例化的对象传入DataLoader就可以批量读取数据了好啦，到这里我数据预处理以及自定义Dataset就搞定了，可以开始学习torch.geometric.nn里面的网络模型啦~

　　⑹超简单！pytorch入门教程（二：Autograd

　　⑺假如我们有一个向量x=(,)当成input，经过一系列运算得到了output变量y，如下图所示：我们想要求y关于x的微分时，pytorch会帮我们自动求解。我们之所以可以实现autograd多亏了Variable和Function这两种数据类型的功劳。要进行autograd必需先将tensor数据包成Variable。Varibale和tensor基本一致，所区别在于多了下面几个属性。variable和function它们是彼此不分开的，先上图：如图，假设我们有一个输入变量input（数据类型为Variableinput是用户输入的，所以其创造者creator为null值，input经过第一个数据操作operation（比如加减乘除运算得到output变量（数据类型仍为Variable，这个过程中会自动生成一个function的变量（数据类型为Function的一个实例，而output的创造者就是这个function。随后，output再经过一个数据操作生成output，这个过程也会生成另外一个实例function，output的创造者creator为function。在这个向前传播的过程中，function和function记录了数据input的所有操作历史，当output运行其backward函数时，会使得function和function自动反向计算input的导数值并存储在grad属性中。creator为null的变量才能被返回导数，比如input，若把整个操作流看成是一张图（Graph,那么像input这种creator为null的被称之为图的叶子（graphleaf。而creator非null的变量比如output和output，是不能被返回导数的，它们的grad均为。所以只有叶子节点才能被autograd。

　　⑻pytorch怎么读

　　⑼pytorch的读音是’pa?t??t?。

　　⑽PyTorch的前身是Torch，其底层和Torch框架一样，但是使用Python重新写了很多内容，不仅更加灵活，支持动态图，而且提供了Python接口。它是由Torch团队开发，是一个以Python优先的深度学习框架，不仅能够实现强大的GPU加速，同时还支持动态神经网络。

　　⑾PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。除了Facebook外，它已经被Twitter、CMU和Salesforce等机构采用。

　　⑿PyTorch的优点：

　　⒀相当简洁且高效快速的框架。

　　⒁设计追求最少的封装。

　　⒂设计符合人类思维，它让用户尽可能地专注于实现自己的想法。

　　⒃与google的Tensorflow类似，FAIR的支持足以确保PyTorch获得持续的开发更新。

　　⒄PyTorch作者亲自维护的论坛供用户交流和求教问题。

　　⒅学Python能做什么需要哪些必备技能

　　⒆Python可以从业的方向有很多，每个方向的要求不同，自然所需要掌握的技能也是有差异的。Python是一门简单、易学并且很有前途的编程语言，很多人都对Python感兴趣，但是当学完Python基础用法之后，又会产生迷茫，尤其是自学的人员，不知道接下来的Python学习方向，以及学完之后能干些什么？以下是Python十大应用领域！.WEB开发Python拥有很多免费数据函数库、免费web网页模板系统、以及与web服务器进行交互的库，可以实现web开发，搭建web框架，目前比较有名气的Pythonweb框架为Django。从事该领域应从数据、组件、安全等多领域进行学习，从底层了解其工作原理并可驾驭任何业内主流的Web框架。.网络编程网络编程是Python学习的另一方向，网络编程在生活和开发中无处不在，哪里有通讯就有网络，它可以称为是一切开发的“基石”。对于所有编程开发人员必须要知其然并知其所以然，所以网络部分将从协议、封包、解包等底层进行深入剖析。.爬虫开发在爬虫领域，Python几乎是霸主地位，将网络一切数据作为资源，通过自动化程序进行有针对性的数据采集以及处理。从事该领域应学习爬虫策略、高性能异步IO、分布式爬虫等，并针对Scrapy框架源码进行深入剖析，从而理解其原理并实现自定义爬虫框架。.云计算开发Python是从事云计算工作需要掌握的一门编程语言，目前很火的云计算框架OpenStack就是由Python开发的，如果想要深入学习并进行二次开发，就需要具备Python的技能。.人工智能MASA和Google早期大量使用Python，为Python积累了丰富的科学运算库，当AI时代来临后，Python从众多编程语言中脱颖而出，各种人工智能算法都基于Python编写，尤其PyTorch之后，Python作为AI时代头牌语言的位置基本确定。.自动化运维Python是一门综合性的语言，能满足绝大部分自动化运维需求，前端和后端都可以做，从事该领域，应从设计层面、框架选择、灵活性、扩展性、故障处理、以及如何优化等层面进行学习。.金融分析金融分析包含金融知识和Python相关模块的学习，学习内容囊括NumpyPandasScipy数据分析模块等，以及常见金融分析策略如“双均线”、“周规则交易”、“羊驼策略”、“DualThrust交易策略”等。.科学运算Python是一门很适合做科学计算的编程语言，年开始，NASA就大量使用Python进行各种复杂的科学运算，随着NumPy、SciPy、Matplotlib、Enthoughtlibrarys等众多程序库的开发，使得Python越来越适合做科学计算、绘制高质量的D和D图像。.游戏开发在网络游戏开发中，Python也有很多应用，相比于LuaorC++，Python比Lua有更高阶的抽象能力，可以用更少的代码描述游戏业务逻辑，Python非常适合编写万行以上的项目，而且能够很好的把网游项目的规模控制在万行代码以内。.桌面软件Python在图形界面开发上很强大，可以用tkinter/PyQT框架开发各种桌面软件！

　　⒇PyTorch-笔记本NvidiaMX显卡模型推理性能测试

　　⒈最近入手了一台带NVIDIAMX显卡的笔记本，由于本人希望了解CUDA方面知识，因此特意选择了带显卡的笔记本。虽然MX是入门级独立显卡，为了学习还是够用了。显卡是采用并行计算的，在深度学习训练和推理方面相比CPU有较大的优势（瘦死骆驼比马大，因此笔者分别采用IntelCorei-U以及NVIDIAMX显卡基于PyTorch测试了一些常见的N模型。结果:MX入门级独立显卡大约=I-U推理性能x~.

　　⒉怎么快速入门深度学习

　　⒊深度学习是一门综合的研究方向，目前大多数研究生都在研究这个，包括我在内，我研究的是图像识别领域，包括图像分类、目标识别、对象定位、风格迁移等等。

　　⒋说回来，那到底要如何去学习深度学习，首先深度学习属于机器学习的一个分支，机器学习分为监督学习、无监督学习、强化学习、半监督学习和深度学习

　　⒌要想学习深度学习就必须先学习机器学习，学习机器学习，首先需要储备的知识就是高等数学、线性代数以及统计数学的基础知识，其中统计数学最重要，推荐可以看李沐老师的《统计学习方法》，学习概率分布、大数定律等等。

　　⒍机器学习，需要学习监督学习，包括线性回归、逻辑回归、梯度下降方法减小代价函数。无监督学习，包括聚类等等，支持向量机、神经网络，这里推荐吴恩达老师的机器学习，通俗易懂，有利于小白学习。

　　⒎学完上面的内容就可以开始学习深度学习了，学习深度学习，深度学习主要是利用神经网络去解决问题，图像识别用的是卷积神经网络，自然语言处理利用的是循环神经网络。这里推荐看吴恩达老师的深度学习，一定要做课后编程题，使用python需要做。

　　⒏学习完理论知识，就需要学习一个深度学习的框架：Tensorflow、Pytorch。最近几年pytorch用的人越来越多了。图像识别的话，还需要学习opencv。

　　⒐pytorch是什么

　　⒑PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。

　　⒒年月，由Facebook人工智能研究院（FAIR基于Torch推出了PyTorch。它是一个基于Python的可续计算包，提供两个高级功能：

　　⒓具有强大的GPU加速的张量计算（如NumPy；

　　⒔包含自动求导系统的深度神经网络。

　　⒕PyTorch是相当简洁且高效快速的框架；

　　⒖设计追求最少的封装；

　　⒗设计符合人类思维，它让用户尽可能地专注于实现自己的想法；

　　⒘与google的Tensorflow类似，FAIR的支持足以确保PyTorch获得持续的开发更新；

　　⒙PyTorch作者亲自维护的论坛供用户交流和求教问题；

　　⒚Autograd模块

　　⒛PyTorch使用一种称为自动微分的方法。记录器记录已执行的操作，然后向后重播以计算梯度。当构建神经网络以通过计算前向传递参数的微分来节省一个时间时，此方法特别强大。

　　torch.optim是实现用于构建神经网络的各种优化算法的模块。大多数常用方法已受支持，因此无需从头开始构建它们。

　　PyTorchautograd使定义计算图和获取梯度变得容易，但是原始的autograd对于定义复杂的神经网络而言可能太低了。这是nn模块可以提供帮助的地方。

　　参考资料：百度百科-PyTorch