PyTorch的九個關鍵操作！

今天我們來聊一聊關於PyTorch的內容，我總結了九個最重要的PyTorch操作，這將為你提供一個整體的概念。

張量創建和基本操作

PyTorch的張量類似於NumPy數組，不過它們具備GPU加速和自動求導的功能。我們可以使用torch.tensor函數來建立張量，也可以使用torch.zeros、torch.ones等函數來建立。這些函數能夠幫助我們更方便地建立張量。

import torch# 创建张量a = torch.tensor([1, 2, 3])b = torch.tensor([4, 5, 6])# 张量加法c = a + bprint(c)

自動求導（Autograd）

torch.autograd模組提供了自動求導的機制，允許記錄操作以及計算梯度。

x = torch.tensor([1.0], requires_grad=True)y = x**2y.backward()print(x.grad)

神經網路層（nn.Module）

torch.nn.Module是建構神經網路的基本元件，它可以包含各種層，例如線性層（nn.Linear）、卷積層（nn.Conv2d）等。

import torch.nn as nnclass SimpleNN(nn.Module):def __init__(self): super(SimpleNN, self).__init__() self.fc = nn.Linear(10, 5)def forward(self, x): return self.fc(x)model = SimpleNN()

優化器（Optimizer）

優化器用於調整模型參數以減少損失函數。以下是使用隨機梯度下降（SGD）優化器的範例。

import torch.optim as optimoptimizer = optim.SGD(model.parameters(), lr=0.01)

損失函數（Loss Function）

損失函數用於衡量模型輸出與目標之間的差距。例如，交叉熵損失適用於分類問題。

loss_function = nn.CrossEntropyLoss()

資料載入與預處理

PyTorch的torch.utils.data模組提供了Dataset和DataLoader類，用於載入和預處理資料。可以自訂資料集類別來適應不同的資料格式和任務。

from torch.utils.data import DataLoader, Datasetclass CustomDataset(Dataset):# 实现数据集的初始化和__getitem__方法dataloader = DataLoader(dataset, batch_size=64, shuffle=True)

模型儲存與載入

可以使用torch.save儲存模型的狀態字典，並使用torch.load載入模型。

# 保存模型torch.save(model.state_dict(), 'model.pth')# 加载模型loaded_model = SimpleNN()loaded_model.load_state_dict(torch.load('model.pth'))

學習率調整

torch.optim.lr_scheduler模組提供了學習率調整的工具。例如，可以使用StepLR來在每個epoch之後降低學習率。

from torch.optim import lr_schedulerscheduler = lr_scheduler.StepLR(optimizer, step_size=5, gamma=0.1)

模型評估

在模型訓練完成後，需要評估模型表現。在評估時，需要將模型切換到評估模式（model.eval()）並使用torch.no_grad()上下文管理器來避免梯度計算。

model.eval()with torch.no_grad():# 运行模型并计算性能指标

以上是PyTorch的九個關鍵操作！的詳細內容。更多資訊請關注PHP中文網其他相關文章！