如何查询网站备案信息_优化设计英语_四川seo整站优化吧_seo研究协会网app

一、框架概览

深度学习框架：是一个针对深度学习的科学计算库，在深度学习领域，以下是当前市场上几个主流的深度学习框架：

TensorFlow
- 上一代框架：起始于静态图时代，为早期深度学习的发展做出了巨大贡献。
- 特点：执行性能优异，但模型构建与调试相对复杂。
PyTorch
- 市场主导者：尤其是在处理大规模模型时，其市场占有率接近100%。
- 动态图优势：虽然执行效率稍逊一筹，但编程效率极高，使得模型搭建变得像编写普通Python代码一样简单。
- 稳定性强：API接口长期保持稳定，升级主要集中在内部优化而非外部接口变动。
PaddlePaddle
- 国产品牌：由百度推出，作为战略储备，在国内具有一定的影响力。

二、PyTorch与NumPy

NumPy：是一个通用科学计算库，PyTorch深度学习框架是一个 NumPy++ ，

实现了 NumPy 的所有功能、使用习惯、命名等！
实现了自动求导！
实现常用的模块（层，优化器…）

三、PyTorch框架详解

3.1 安装PyTorch

根据你的硬件配置选择安装GPU或CPU版本的PyTorch：

GPU版本
- 前提条件：需要NVIDIA独立显卡（显存≥4G），并确保驱动程序是最新的。
- 安装命令：
```
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124
```

CPU版本

安装命令：

pip3 install torch torchvision -i https://mirrors.aliyun.com/pypi/simple/

3.2 常用命令示例

import torch# 查看PyTorch版本
print(torch.__version__)# 检查CUDA是否可用
if torch.cuda.is_available():print("CUDA is available.")# 获取当前设备名称print(torch.cuda.get_device_name())# 将矩阵转换为张量
t = torch.tensor(data=X_train, dtype=torch.float32)# 生成随机数
random_num = torch.randint(low=100, high=1000, size=(1,), dtype=torch.float32)
# 13行1列
rand_tensor = torch.randn(13, 1, dtype=torch.float32)

三、计算体系

现代计算体系分为两大部分：

基于CPU+内存的传统计算：数据在内存中存放，通过CPU控制进行计算
基于GPU+显存的加速计算：数据在显存中存放，通过GPU进行控制计算

需要注意的是，参与计算的数据必须位于相同的设备中。

示例代码

以下是一些张量的基本操作的例子：

import random
import numpy as np
import torch# 创建一个包含30个随机分数的列表，并转换为NumPy数组和PyTorch张量
scores = [random.randint(a=0, b=100) for _ in range(30)]
type(scores) #输出list
arr = np.array(scores)
#输出array([36, 55, 68, 82, 91, 29, 48, 46, 37, 60, 72, 78, 61, 32,  7, 48, 55,0,  8, 80, 60, 52, 81, 41, 30, 43, 35, 47, 57, 26])
type(arr) #输出numpy.ndarray
t = torch.tensor(data=scores, dtype=torch.float32)
#输出tensor([36., 55., 68., 82., 91., 29., 48., 46., 37., 60., 72., 78., 61., 32.,7., 48., 55.,  0.,  8., 80., 60., 52., 81., 41., 30., 43., 35., 47.,57., 26.])# 计算方差的不同方式
print(arr.var(), arr.var(ddof=1))  # NumPy默认计算样本方差
#输出(504.938888888889, 522.3505747126438)
print(t.var(), t.var(correction=0))  # PyTorch默认计算总体方差
#输出(tensor(522.3506), tensor(504.9389))np.arange(12).reshape(3, 4)
#输出array([[ 0,  1,  2,  3],[ 4,  5,  6,  7],[ 8,  9, 10, 11]])
torch.arange(12).reshape(3, 4)
#输出tensor([[ 0,  1,  2,  3],[ 4,  5,  6,  7],[ 8,  9, 10, 11]])# 创建相同形状的NumPy数组和PyTorch张量
np.ones(shape=(2, 3))
#输出array([[1., 1., 1.],[1., 1., 1.]])
torch.ones(2, 3)
#输出tensor([[1., 1., 1.],[1., 1., 1.]])np.linalg.norm(arr) #输出294.4299577149037
torch.linalg.norm(t) #输出tensor(294.4300)# 创建线性空间
np.linspace(start=-5, stop=5, num=100)
#输出array([-5.        , -4.8989899 , -4.7979798 , -4.6969697 , -4.5959596 ,-4.49494949, -4.39393939, -4.29292929, -4.19191919, -4.09090909,-3.98989899, -3.88888889, -3.78787879, -3.68686869, -3.58585859,-3.48484848, -3.38383838, -3.28282828, -3.18181818, -3.08080808,-2.97979798, -2.87878788, -2.77777778, -2.67676768, -2.57575758,-2.47474747, -2.37373737, -2.27272727, -2.17171717, -2.07070707,-1.96969697, -1.86868687, -1.76767677, -1.66666667, -1.56565657,-1.46464646, -1.36363636, -1.26262626, -1.16161616, -1.06060606,-0.95959596, -0.85858586, -0.75757576, -0.65656566, -0.55555556,-0.45454545, -0.35353535, -0.25252525, -0.15151515, -0.05050505,0.05050505,  0.15151515,  0.25252525,  0.35353535,  0.45454545,0.55555556,  0.65656566,  0.75757576,  0.85858586,  0.95959596,1.06060606,  1.16161616,  1.26262626,  1.36363636,  1.46464646,1.56565657,  1.66666667,  1.76767677,  1.86868687,  1.96969697,2.07070707,  2.17171717,  2.27272727,  2.37373737,  2.47474747,2.57575758,  2.67676768,  2.77777778,  2.87878788,  2.97979798,3.08080808,  3.18181818,  3.28282828,  3.38383838,  3.48484848,3.58585859,  3.68686869,  3.78787879,  3.88888889,  3.98989899,4.09090909,  4.19191919,  4.29292929,  4.39393939,  4.49494949,4.5959596 ,  4.6969697 ,  4.7979798 ,  4.8989899 ,  5.        ])
torch.linspace(start=-5, end=5, steps=100)
#输出tensor([-5.0000, -4.8990, -4.7980, -4.6970, -4.5960, -4.4949, -4.3939, -4.2929,-4.1919, -4.0909, -3.9899, -3.8889, -3.7879, -3.6869, -3.5859, -3.4848,-3.3838, -3.2828, -3.1818, -3.0808, -2.9798, -2.8788, -2.7778, -2.6768,-2.5758, -2.4747, -2.3737, -2.2727, -2.1717, -2.0707, -1.9697, -1.8687,-1.7677, -1.6667, -1.5657, -1.4646, -1.3636, -1.2626, -1.1616, -1.0606,-0.9596, -0.8586, -0.7576, -0.6566, -0.5556, -0.4545, -0.3535, -0.2525,-0.1515, -0.0505,  0.0505,  0.1515,  0.2525,  0.3535,  0.4545,  0.5556,0.6566,  0.7576,  0.8586,  0.9596,  1.0606,  1.1616,  1.2626,  1.3636,1.4646,  1.5657,  1.6667,  1.7677,  1.8687,  1.9697,  2.0707,  2.1717,2.2727,  2.3737,  2.4747,  2.5758,  2.6768,  2.7778,  2.8788,  2.9798,3.0808,  3.1818,  3.2828,  3.3838,  3.4848,  3.5859,  3.6869,  3.7879,3.8889,  3.9899,  4.0909,  4.1919,  4.2929,  4.3939,  4.4949,  4.5960,4.6970,  4.7980,  4.8990,  5.0000])

GPU的使用

# 检测GPU是否可用
device = "cuda" if torch.cuda.is_available() else "cpu"
t1 = torch.randn(2, 3)
t1 # 输出tensor([[-0.2833,  0.8345,  1.6734],[ 2.1552, -0.2647, -1.6260]])
t2 = torch.randn(2, 3, device=device)
t2 #输出tensor([[ 1.4996,  0.5895, -1.5476], [ 0.2048,  0.2137,  1.6660]], device='cuda:0')
t1 + t2
#输出异常 RuntimeError: Expected all tensors to be on the same device, but found at least two devices, cuda:0 and cpu!
t1.to(device=device) + t2 # 输出tensor([[ 1.2162,  1.4240,  0.1258],[ 2.3600, -0.0510,  0.0400]], device='cuda:0')
t1 # 输出tensor([[-0.2833,  0.8345,  1.6734], [ 2.1552, -0.2647, -1.6260]])
t2.cpu() + t1 #输出tensor([[ 1.2162,  1.4240,  0.1258], [ 2.3600, -0.0510,  0.0400]])
t1 #输出tensor([[-0.2833,  0.8345,  1.6734], [ 2.1552, -0.2647, -1.6260]])
t1.cuda() # 输出tensor([[-0.2833,  0.8345,  1.6734], [ 2.1552, -0.2647, -1.6260]], device='cuda:0')

自动求导

def fn(x):"""原函数"""return x ** 2
def dfn(x):"""导函数"""return 2 * x
# 数学：常量
x1 = torch.randn(1)
# 数学：变量
x1 # 输出tensor([-0.4863])
# x2是一个变量，这个变量当前取值为 -0.4370
x2 = torch.randn(1, requires_grad=True)
x2 # 输出tensor([-0.4370], requires_grad=True)
# 当前值
x2.data # 输出tensor([-0.4370])
# 梯度值
print(x2.grad) # 输出None
y = x2 ** 2
y # 输出tensor([0.1909], grad_fn=<PowBackward0>)
y.backward()
x2.grad #输出tensor([-2.6218])
x2.grad.zero_() #输出tensor([0.])
x2.grad # 输出tensor([0.])

使用PyTorch的自动求导实现梯度下降法

steps = 1000
learning_rate = 1e-2
x = torch.randint(low=-1000, high=1001, size=(1,), dtype=torch.float32, requires_grad=True)
print(f"x初始值为：{x}")
for step in range(steps):# 1, 正向传播y = x ** 2# 2, 反向传播y.backward()# 3, 梯度下降x.data -= learning_rate * x.grad# 4, 清空梯度x.grad.zero_()print(f"优化了{step+1}步，x为：{x}")
print(f"x最终值为：{x}")

输出：

x初始值为：tensor([-262.], requires_grad=True)
优化了1步，x为：tensor([-256.7600], requires_grad=True)
优化了2步，x为：tensor([-251.6248], requires_grad=True)
优化了3步，x为：tensor([-246.5923], requires_grad=True)
......
优化了716步，x为：tensor([-0.0001], requires_grad=True)
优化了717步，x为：tensor([-0.0001], requires_grad=True)
优化了718步，x为：tensor([-0.0001], requires_grad=True)
优化了719步，x为：tensor([-0.0001], requires_grad=True)
优化了720步，x为：tensor([-0.0001], requires_grad=True)
......
优化了998步，x为：tensor([-4.5912e-07], requires_grad=True)
优化了999步，x为：tensor([-4.4994e-07], requires_grad=True)
优化了1000步，x为：tensor([-4.4094e-07], requires_grad=True)
x最终值为：tensor([-4.4094e-07], requires_grad=True)

深度学习本质

统计学项目：

想去研究总体/全量的一些情况，但是不能直接去研究
退而求其次，对总体进行采样，试图用采样得到的数据来估计总体
人工智能的本质是以小博大！
使用样本来估计总体！

对样本的统计量：

均值
- mu = sum(x) / len(x)
方差
- sum((x - mu) ** 2) / len(x)
标准差
- (sum((x - mu) ** 2) / len(x)) ** 0.5

对总体的统计量：

均值
- mu = sum(x) / len(x)
方差
- sum((x - mu) ** 2) / (len(x) - 1)
标准差
- (sum((x - mu) ** 2) / (len(x) - 1)) ** 0.5

实际工作中，数据量非常大，两者没什么区别！！！随便用即可！！！