01Pytorch与CV视觉入门

01Pytorch与CV视觉入门

PyTorch的前身是Torch，相比于TensorFlow，PyTorch更易学。这个Blog记录在Coggle学习活动中，我的Pytorch入门深度学习和CV内容。

目录

PyTorch张量计算与Numpy的转换

1.配置运行环境：本地Notebook环境或使用天池DSW

 2.学习Pytorch的基础语法，成功运行下面代码

3.梯度计算和梯度下降过程 

 4.PyTorch全连接层原理和使用

 

---

PyTorch张量计算与Numpy的转换

数据科学中的数据结构：

        - 标量scalar：单个数叫标量 1,2,3,4,5
        - 向量，矢量vector：【一维数组】,[1,2,3,4,5]标量按一定的顺序排成行和列
        - 矩阵matrix：【二维数组】成行成列的数据
        - 张量tensor：【三维数组】，【四维数组】等等高维数组

1.配置运行环境：本地Notebook环境或使用天池DSW

Jupyter Notebook配置环境：推荐Anaconda环境安装，科学计算包齐全！

Anaconda | The World's Most Popular Data Science Platform

天池DSW

阿里云登录 - 欢迎登录阿里云，安全稳定的云计算服务平台

下面是我用ANACONDA本地启动Notebook环境，选择open with Jupyter Notebook

Notebook打开就是这样啦，我晚点出个Jupyter使用的Blog

 2.学习Pytorch的基础语法，成功运行下面代码

入门：

PyTorch深度学习：60分钟入门(Translation) - 知乎

Learn the Basics — PyTorch Tutorials 1.10.0+cu102 documentation

c = np.ones((3,3))
d = torch.from_numpy(c)  #numpy 转tensor

NoteBook Code 内容

import numpy as np
import torch 
c = np.ones((3,3))
d = torch.form_numpy(c)

3.梯度计算和梯度下降过程 

学习链接：

Automatic Differentiation with torch.autograd — PyTorch Tutorials 1.10.0+cu102 documentation

线性回归、梯度下降（Linear Regression、Gradient Descent） - BYRans - 博客园

使用numpy创建一个的数据，其中x是0到100的范围，以0.01进行等差数列，使用pytroch定义w和b，并使用随机梯度下降，完成回归拟合。

import torch
import numpy as np
x = np.linspace(0,100,num = 10000)
y = 10 * x + 4 + np.random.normal(size = 10000)
torch.set_default_tensor_type(torch.DoubleTensor)
x = torch.from_numpy(x)
y = torch.from_numpy(y)
w = torch.randn(10000,10000,requires_grad=True)
b = torch.randn(10000,requires_grad=True)
z = torch.matmul(x, w)+b
loss = torch.nn.functional.binary_cross_entropy_with_logits(z, y)
print(z.requires_grad)
with torch.no_grad():
    z = torch.matmul(x, w)+b
print(z.requires_grad)

NoteBook中的运行结果：

 4.PyTorch全连接层原理和使用

全连接网络原理↓

对于全连接层的理解_xiaodong_11的博客-CSDN博客_全连接层

在pytorch中使用矩阵乘法实现全连接层

在pytorch中使用nn.Linear层

在这里卡住了  T_T ，想通了再来更新

恭喜EDG夺冠，EDG都赢了，我也要好好努力！