pytorch环境配置及基础知识

一、配置环境

提前准备：本文默认已安装Anaconda，以下操作在Anaconda Prompt上进行。
1，创建虚拟环境：conda create -n env_name python==version
2，激活虚拟环境：conda activate env_name
3，查看显卡驱动： nvidia-smi
4，到PyTorch官网安装：建议用CUDA版本
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch
5，检验是否安装成功：
输入python后输入：
import torch
torch.cuda.is_available()
CPU版本返回False,GPU版本返回True
6，使用PyCharm连接到该虚拟环境进行使用

二、基础知识

1，张量

张量：基于向量和矩阵的推广，从标量，向量，矩阵，向更高维度进行扩展。
比如说：
0D：标量，数字
1D：向量
2D：矩阵
3D：时间序列，单张彩色图片
4D：图像
5D：视频

在PyTorch中，torch.Tensor 是存储和变换数据的主要工具。与NumPy颇有相似之处。然而，Tensor 提供GPU计算和自动求梯度等更多功能，这些使 Tensor 这一数据类型更加适合深度学习。

2，常见操作

1，随机初始化矩阵：torch.rand()
2，全0矩阵：torch.zeros()
3，直接构建：torch.tensor()
4，加法操作：torch.add(x,y)
5，索引操作(类似于numpy):索引出来的结果与原数据共享内存，修改一个，另一个会跟着修改。如果不想修改，可以考虑使用copy()等方法
6，维度变换：
torch.view():返回的新tensor与源tensor共享内存(其实是同一个tensor)，更改其中的一个，另外一个也会跟着改变。(顾名思义，view()仅仅是改变了对这个张量的观察角度)
torch.reshape(): 同样可以改变张量的形状，但是此函数并不能保证返回的是其拷贝值，所以官方不推荐使用。
推荐方法：先用 clone() 创造一个张量副本然后再使用 torch.view()进行函数维度变换 。使用 clone() 还有一个好处是会被记录在计算图中，即梯度回传到副本时也会传到源 Tensor 。

3，广播机制

当对两个形状不同的 Tensor 按元素运算时，可能会触发广播(broadcasting)机制：先适当复制元素使这两个 Tensor 形状相同后再按元素运算。