Pytorch

• 英文文档：[1]
• 中文文档 [2][3]

cuda

• torch.cuda.is_available()
• torch.version.cuda() #查看cuda版本
• torch.backends.cudnn.version #查看cudnn版本

查看显卡信息

• 查看当前设备环境可用显卡数量, 及可用显卡的具体信息（型号、算力，显存以及线程数）

ng = torch.cuda.device_count()
infos = [torch.cuda.get_device_properties(i) for i in range(ng)]

指定显卡

• 代码1： torch.cuda.set_device(1)
• 代码2：device = torch.device("cuda:1")
• 代码3：（官方推荐使用）：os.environ["CUDA_VISIBLE_DEVICES"] = '1'
• （如果你想同时调用两块GPU的话）： os.environ["CUDA_VISIBLE_DEVICES"] = '1,2'

网络初始化

• Xavier and Kaiming initialization [4]

数据准备

import torch
import torch.utils.data as Data
torch.manual_seed(1)    # reproducible
BATCH_SIZE = 5      # 批训练的数据个数
x = torch.linspace(1, 10, 10)       # x data (torch tensor)
y = np.arange(1, 10)
y = torch.from_numpy(y) #numpy ndarray to torch tensor       
torch_dataset = Data.TensorDataset(x, y)  # 换成 torch 能识别的 Dataset
# 把 dataset 放入 DataLoader
loader = Data.DataLoader(
   dataset=torch_dataset,      # torch TensorDataset format
   batch_size=BATCH_SIZE,      # mini batch size
   shuffle=True,               # 要不要打乱数据 (打乱比较好)
   num_workers=2,              # 多线程来读数据
   sampler=tr_sampler,         #
)

nan问题

• 第一个是判断条件，第二个是符合条件的设置值，第三个是不符合条件的设置值。

a = torch.Tensor([[1, 2, np.nan], [2, np.nan, 4], [3, 4, 5]])
a = torch.where(torch.isnan(a), torch.full_like(a, 0), a)

数据初值归一化

• from sklearn.preprocessing import　scale

其中scale可以对一维数据标准化（自动或略nan）

• from sklearn.preprocessing import StandardScaler

StandardScaler是个类，默认对二维数据进行归一化，先fit再transform（类的方法），也可以fit_transform一起做，关键是后面可以inverse_transform()再把数据变回去。

Tensor

• 获取 Tensor 的元素个数 ，a.numel() 等价 a.nelement()
• 查看 Tensor 的形状，Tensor.size() 返回 torch.Size() 对象， Tensor.shape 等价于 Tensor.size()
• 通过 tensor.view 方法可以调整 tensor 的形状，但必须保证调整前后的元素总数保持一致，view 不会修改自身的数据，返回的新 tensor 与源 tensor 共享内存，即更改其中一个，另外一个也跟着改变。
• 添加或减少某一维度，可以使用 squeeze 和 unsqueeze 函数。

• squeeze()删除一个张量中所有维数为1的维度

• resize 是另一种可用来调整 size 的方法，但与 view 不同，它可以修改 tensor 的尺寸，如果新尺寸超过了源尺寸，会自动分配新的内存空间，而如果新尺寸小于源尺寸，则之前的数据依旧会被保存。
• cpu() numpy()

res=scores.cpu().numpy()

注意cuda上面的变量类型只能是tensor，不能是其他,把一个GPU上出来的数据转换成numpy ndarry

• detach() item() [5]

torchvision

• PyTorch框架中有一个非常重要且好用的包：torchvision，该包主要由3个子包组成，分别是：torchvision.datasets、torchvision.models、torchvision.transforms [6]
• __all__ = ["Compose", "ToTensor", "ToPILImage", "Normalize", "Resize",

"Scale", "CenterCrop", "Pad", "Lambda", "RandomCrop", "RandomHorizontalFlip", "RandomVerticalFlip", "RandomResizedCrop", "RandomSizedCrop", "FiveCrop", "TenCrop","LinearTransformation", "ColorJitter", "RandomRotation", "Grayscale", "RandomGrayscale"]

函数

• torch.clamp(input, min=None, max=None, *, out=None) → Tensor

Clamps all elements in input into the range [ min, max ]. Letting min_value and max_value be min and max, respectively

• torch.eye(n, m=None, out=None)

返回一个2维张量，对角线位置全1，其它位置全0

• torch.cat & torch.stack

torch.stack()沿着一个新维度对输入张量序列进行连接。 序列中所有的张量都应该为相同形状。

torch.cat()是为了把函数torch.stack()得到tensor进行拼接而存在的 (不增加新的维度)

• gather

In PyTorch you can perform the same operation using the gather() method. If s is a PyTorch Tensor of shape (N, C) and y is a PyTorch Tensor of shape (N,) containing longs in the range 0 <= y[i] < C, then s.gather(1, y.view(-1, 1)).squeeze() will be a PyTorch Tensor of shape (N,) containing one entry from each row of s, selected according to the indices in y.

第三方库

• thop

THOP 是 PyTorch 非常实用的一个第三方库，可以统计模型的 FLOPs 和参数量。

from thop import clever_format
from thop import profile
class YourModule(nn.Module):
   # your definition
input = torch.randn(10, 128, 128)
flops, params = profile(model, inputs=(input, ))
flops, params = clever_format([flops, params], "%.3f")