📌PyTorch Basics

PyTorch Operations

Tensor

• 다차원 Arrays를 표현하는 PyTorch 클래스
• 사실상 numpy의 ndarray와 동일
• Tensor를 생성하는 함수도 거의 동일

✍입력

#numpy - ndarray
import numpy as np
n_array = np.arange(10).reshape(2,5)
print(n_array)
print(f"ndim : {n_array.ndim}, shape : {n_array.shape}")

💻출력

[[0 1 2 3 4]
 [5 6 7 8 9]]
ndim : 2, shape : (2, 5)

✍입력

#pytorch - tensor
import torch
t_array = torch.FloatTensor(n_array)
print(t_array)
print(f"ndim : {t_array.ndim}, shape : {t_array.shape}")

💻출력

tensor([[0., 1., 2., 3., 4.],
        [5., 6., 7., 8., 9.]])
ndim : 2, shape : torch.Size([2, 5])

Array to Tensor

• Tensor 생성은 list나 ndarray를 사용 가능

✍입력

#data to tensor
data = [[3,5],[10,5]]
x_data = torch.tensor(data)
x_data

💻출력

tensor([[ 3,  5],
        [10,  5]])

✍입력

#ndarray to tensor
nd_array_ex = np.array(data)
tensor_array = torch.from_numpy(nd_array_ex)
tensor_array

💻출력

tensor([[ 3,  5],
        [10,  5]])

Tensor data types

• 기본적으로 tensor가 가질수 있는 data 타입은 numpy와 동일

numpy like operations

• 기본적으로 pytorch의 대부분의 사용법이 그대로 적용됨.
  

• pythorch의 tensor는 GPU에 올려서 사용가능
  

Tensor handling

• view, squeeze, unsqueeze 등으로 tensor 조정가능

  • view : reshape과 동일하게 tensor의 shape을 변환

    • view와 reshape은 contiguity 보장의 차이 (웬만하면 view를 써라!)

  • squeeze : 차원의 개수가 1인 차원을 삭제 (압축)

  • unsqueeze : 차원의 개수가 1인 차원을 추가

Tensor operations

• 기본적인 tensor의 operations는 numpy와 동일

• 행렬곱셈 연산은 dot이 아닌 mm 또는 matmul 사용

  • mm과 matmul은 broadcasting 지원 차이

    • mm (x) , matmul (o)

Tensor operations for ML/DL formula

• nn.functional 모듈을 통해 다양한 수식 변환을 지원함

AutoGrad

• PyTorch의 핵심은 자동 미분의 지원 $\to$ backward 함수 사용
  

---

📌피어세션

• 매일 알고리즘 문제 풀고 다음 피어세션때 다 같이 리뷰

• 하루에 (크게) 1강 씩 들어서 목요일까지 강의 다 듣기

• 질문은 slack과 피어세션을 최대한 활용

• 오늘의 알고리즘 : 2048게임 문제

📌Day6 회고

• <Pytorch 프로젝트 구조 이해하기> 다시 듣기...

• 부덕이 싫어하는중

• 알고리즘이 너무 어렵다 ㅠㅠ

• PyTorch 학습시 모르는건 Pytorch Documentation를 이용하자!!!