Pytorch学习之torch----随机抽样、序列化、并行化

link管理

链接快照平台

输入网页链接，自动生成快照
标签化管理网页链接

1. torch.manual_seed(seed)

说明： 设置生成随机数的种子，返回一个torch._C.Generator对象。使用随机数种子之后，生成的随机数是相同的。
参数：

>>> import torch
>>> torch.manual_seed(1)
<torch._C.Generator object at 0x0000019684586350>
>>> a = torch.rand(2, 3)
tensor([[0.7576, 0.2793, 0.4031],
        [0.7347, 0.0293, 0.7999]])
>>> torch.manual_seed(1)
<torch._C.Generator object at 0x0000019684586350>
>>> b = torch.rand(2, 3)
tensor([[0.7576, 0.2793, 0.4031],
        [0.7347, 0.0293, 0.7999]])
>>> a == b
tensor([[1, 1, 1],
        [1, 1, 1]], dtype=torch.uint8)

2. torch.initial_seed()

说明： 返回生成随机数的原始种子值

>>> torch.manual_seed(4)
<torch._C.Generator object at 0x0000019684586350>
>>> torch.initial_seed()
3. torch.get_rng_state()
说明： 返回随机生成器状态(ByteTensor)

>>> torch.initial_seed()
>>> torch.get_rng_state()
tensor([4, 0, 0,  ..., 0, 0, 0], dtype=torch.uint8)
4. torch.set_rng_state()
说明： 设定随机生成器状态
参数：

new_state(ByteTensor) – 期望的状态
5. torch.default_generator
说明：默认的随机生成器。等于<torch._C.Generator object>

6. torch.bernoulli(input, out=None)
说明：从伯努利分布中抽取二元随机数(0或1)。输入张量包含用于抽取二元值的概率。因此，输入中的所有值都必须在[0,1]区间内。输出张量的第i个元素值，将会以输入张量的第i个概率值等于1。返回值将会是与输入相同大小的张量，每个值为0或者1.
参数：

input(Tensor) – 输入为伯努利分布的概率值
out(Tensor,可选) – 输出张量
>>> a = torch.Tensor(3, 3).uniform_(0, 1)
tensor([[0.5596, 0.5591, 0.0915],
        [0.2100, 0.0072, 0.0390],
        [0.9929, 0.9131, 0.6186]])
>>> torch.bernoulli(a)
tensor([[0., 1., 0.],
        [0., 0., 0.],
        [1., 1., 1.]])
7. torch.multinomial(input, num_samples, replacement=False, out=None)
说明： 返回一个张量，每行包含从input相应行中定义的多项分布中抽取的num_samples个样本。要求输入input每行的值不需要总和为1，但是必须非负且总和不能为0。当抽取样本时，依次从左到右排列(第一个样本对应第一列)。如果输入input是一个向量，输出out也是一个相同长度num_samples的向量。如果输入input是m行的矩阵，输出out是形如m x n的矩阵。并且如果参数replacement为True，则样本抽取可以重复。否则，一个样本在每行不能被重复。
参数：

input(Tensor) – 包含概率的张量
num_samples(int) – 抽取的样本数
replacement(bool) – 布尔值，决定是否能重复抽取
out(Tensor) – 结果张量
>>> weights = torch.Tensor([0, 10, 3, 0])
>>> weights
tensor([ 0., 10.,  3.,  0.])
>>> torch.multinomial(weights, 4, replacement=True)
tensor([1, 1, 1, 1])
8. torch.normal(means, std, out=None)
说明：返回一个张量，包含从给定参数means，std的离散正态分布中抽取随机数。均值means是一个张量，包含每个输出元素相关的正态分布的均值。std是一个张量。包含每个输出元素相关的正态分布的标准差。均值和标准差的形状不须匹配，但每个张量的元素个数必须想听。
参数：

means(Tensor) – 均值
std(Tensor) – 标准差
out(Tensor) – 输出张量
>>> n_data = torch.ones(5, 2)
>>> n_data
tensor([[1., 1.],
        [1., 1.],
        [1., 1.],
        [1., 1.],
        [1., 1.]])
>>> x0 = torch.normal(2 * n_data, 1)
tensor([[1.6544, 0.9805],
        [2.1114, 2.7113],
        [1.0646, 1.9675],
        [2.7652, 3.2138],
        [1.1204, 2.0293]])
9. torch.save(obj, f, pickle_module=<module ‘pickle’ from ‘/home/lzjs/…)
说明： 保存一个对象到一个硬盘文件上。
参数：

obj – 保存对象
f – 类文件对象或一个保存文件名的字符串
pickle_module – 用于pickling源数据和对象的模块
pickle_protocol – 指定pickle protocal可以覆盖默认参数
10. torch.load(f, map_location=None, pickle_module=<module ‘pickle’ from ‘/home/lzjs/…)
说明： 从磁盘文件中读取一个通过torch.save()保存的对象。torch.load()可通过参数map_location动态地进行内存重映射，使其能从不动设备中读取文件。一般调用时，需两个参数：storage和location tag。返回不同地址中的storage，或者返回None。如果这个参数是字典的话，意味着从文件的地址标记到当前系统的地址标记的映射。
参数：

f – l类文件对象或一个保存文件名的字符串
map_location – 一个函数或字典规定如何remap存储位置
pickle_module – 用于unpickling元数据和对象的模块
torch.load('tensors.pt')
# 加载所有的张量到CPU
torch.load('tensor.pt', map_location=lambda storage, loc:storage)
# 加载张量到GPU
torch.load('tensors.pt', map_location={'cuda:1':'cuda:0'})
11. torch.get_num_threads()
说明： 获得用于并行化CPU操作的OpenMP线程数

12. torch.set_num_threads()
说明： 设定用于并行化CPU操作的OpenMP线程数

                            1. torch.cat(seq, dim=0, out=None)说明： 在给定维度上对输入的张量序列seq进行连接操作参数：
seq(Tensor的序列) – 可以是相同类型的Tensor的任何Python序列
dim(int, 可选