什么要学习PyTorch"color: #ff0000">安装PyTorch
一行命令即可 官网
pip install torch===1.6.0 torchvision===0.7.0 - https://download.pytorch.org/whl/torch_stable.html
时间较久,耐心等待
测试自己是否安装成功
运行命令测试
import torch x = torch.rand(5,3) print(x)
输出
tensor([[0.5096, 0.1209, 0.7721],
[0.9486, 0.8676, 0.2157],
[0.0586, 0.3467, 0.5015],
[0.9470, 0.5654, 0.9317],
[0.2127, 0.2386, 0.0629]])
开始学习PyTorch
不初始化的创建张量
import torch x = torch.empty([5,5]) print(x)
输出
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
随机创建一个0-1的张量
import torch x = torch.rand(5,5) print(x)
输出
tensor([[0.3369, 0.5339, 0.8419, 0.6857, 0.6241],
[0.4991, 0.1691, 0.8356, 0.4574, 0.0395],
[0.9714, 0.2975, 0.9322, 0.5213, 0.8509],
[0.3037, 0.8690, 0.3481, 0.2538, 0.9513],
[0.0156, 0.9516, 0.3674, 0.1831, 0.6466]])
创建全为0的张量
import torch x = torch.zeros(5,5, dtype=torch.float32) print(x)
创建的时候可以通过dtype
指定数据类型
输出
tensor([[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]])
使用数据来直接创建张量
import torch x = torch.zeros([5,5], dtype=torch.float32) print(x)
输出
tensor([5., 5.])
使用原有tensor
创建新的tensor
import torch x = torch.tensor([5,5], dtype=torch.float32) x = x.new_zeros(5, 3) y = torch.rand_like(x) print(x) print(y)
输出
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
tensor([[0.5552, 0.3333, 0.0426],
[0.3861, 0.3945, 0.6658],
[0.6978, 0.3508, 0.4813],
[0.8193, 0.2274, 0.8384],
[0.9360, 0.9226, 0.1453]])
观察tensor
的维度信息
x = torch.rand(3,3) x.size()
输出
torch.Size([3, 3])
一些简单的运算
x = torch.tensor([1]) y = torch.tensor([3]) ''' 方式1 ''' z = x + y ''' 方式2 ''' z = torch.add(x, y) ''' 方式3 ''' result = torch.empty(1) # 不初始化数据 torch.add(x, y, out=result) # 将结果返回到result中 ''' 方式4 ''' x.add_(y)
输出
tensor([4])
索引操作
x = torch.rand(5,5) x[:,:] x[1,:] x[:,1] x[1,1]
分别输出
tensor([[0.4012, 0.2604, 0.1720, 0.0996, 0.7806],
[0.8734, 0.9087, 0.4828, 0.3543, 0.2375],
[0.0924, 0.9040, 0.4408, 0.9758, 0.2250],
[0.7179, 0.7244, 0.6165, 0.1142, 0.7363],
[0.8504, 0.0391, 0.0753, 0.4530, 0.7372]])
tensor([0.8734, 0.9087, 0.4828, 0.3543, 0.2375])
tensor([0.2604, 0.9087, 0.9040, 0.7244, 0.0391])
tensor(0.9087)
维度变换
x = torch.rand(4,4) x.view(16) x.view(8,2) x.view(-1,8)
分别输出
tensor([0.9277, 0.9547, 0.9487, 0.9841, 0.4114, 0.1693, 0.8691, 0.3954, 0.4679,
0.7914, 0.7456, 0.0522, 0.0043, 0.2097, 0.5932, 0.9797])
tensor([[0.9277, 0.9547],
[0.9487, 0.9841],
[0.4114, 0.1693],
[0.8691, 0.3954],
[0.4679, 0.7914],
[0.7456, 0.0522],
[0.0043, 0.2097],
[0.5932, 0.9797]])
tensor([[0.9277, 0.9547, 0.9487, 0.9841, 0.4114, 0.1693, 0.8691, 0.3954],
[0.4679, 0.7914, 0.7456, 0.0522, 0.0043, 0.2097, 0.5932, 0.9797]])
注意:必须维度变换数据的数量必须保持一致
RTX 5090要首发 性能要翻倍!三星展示GDDR7显存
三星在GTC上展示了专为下一代游戏GPU设计的GDDR7内存。
首次推出的GDDR7内存模块密度为16GB,每个模块容量为2GB。其速度预设为32 Gbps(PAM3),但也可以降至28 Gbps,以提高产量和初始阶段的整体性能和成本效益。
据三星表示,GDDR7内存的能效将提高20%,同时工作电压仅为1.1V,低于标准的1.2V。通过采用更新的封装材料和优化的电路设计,使得在高速运行时的发热量降低,GDDR7的热阻比GDDR6降低了70%。
更新日志
- 群星《前途海量 电影原声专辑》[FLAC/分轨][227.78MB]
- 张信哲.1992-知道新曲与精丫巨石】【WAV+CUE】
- 王翠玲.1995-ANGEL【新艺宝】【WAV+CUE】
- 景冈山.1996-我的眼里只有你【大地唱片】【WAV+CUE】
- 群星《八戒 电影原声带》[320K/MP3][188.97MB]
- 群星《我的阿勒泰 影视原声带》[320K/MP3][139.47MB]
- 纪钧瀚《胎教古典音乐 钢琴与大提琴的沉浸时光》[320K/MP3][148.91MB]
- 刘雅丽.2001-丽花皇后·EMI精选王【EMI百代】【FLAC分轨】
- 齐秦.1994-黄金十年1981-1990CHINA.TOUR.LIVE精丫上华】【WAV+CUE】
- 群星.2008-本色·百代音乐人创作专辑【EMI百代】【WAV+CUE】
- 群星.2001-同步过冬AVCD【环球】【WAV+CUE】
- 群星.2020-同步过冬2020冀待晴空【环球】【WAV+CUE】
- 沈雁.1986-四季(2012梦田复刻版)【白云唱片】【WAV+CUE】
- 纪钧瀚《胎教古典音乐 钢琴与大提琴的沉浸时光》[FLAC/分轨][257.88MB]
- 《国语老歌 怀旧篇 3CD》[WAV/分轨][1.6GB]