Anaconda常用命令

原创于 2025-07-03 08:53:30 发布 · 815 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#windows

1、虚拟环境相关命令

创建虚拟环境

conda create --name env_name

conda create --name env_name python=3.5 #创建指定python版本

激活/使用/进入某个虚拟环境

conda activate env_name

退出当前环境

deactivate

复制某个虚拟环境

conda create --name new_env_name --clon old_env_name

删除某个环境

conda remove --name env_name --all

查看当前所用环境

conda info --envs 或者 conda env list

安装或卸载包（进入虚拟环境之后）

conda install xxx

conda install xxx=版本号 #指定版本号

conda install xxx -i 源名称或链接 #指定下载源

conda uninstall xxx

2、基础语法

1.pytorch的tensor与numpy

定义numpy的二维数组：

a = np.array([[1,2],[3,4]])

定义二维数组张量：

b = torch.tension([[1,2],[3,4]])

tension张量转为numpy数组：

c = b.numpy()

numpy 数组转换为tensor：

d = torch.from_numpy(c)

2.创建pytorch的tensor

第一种：用numpy/list 初始化创建

用numpy初始化创建

b=torch.from_numpy(a)

用list初始化创建

c = torch.tensor([2.,1.2])

d = torch.tensor([[1,2],[3,4]])

第二种：未初始化创建

e = torch.empty(1)

f = torch.Tensor(2,3)

第三种：随机生成创建

g = torch.rand(3,3)

h = torch.randn(3,3)

i = torch.randn_like(g)

第四种：序列生成创建

j =torch.arange(0,10)

k = torch.arange(0,10,2)

l = torch.linspace(0,10,steps=3)

第五种：全零、全一、单位矩阵、创建

m = torch.ones(3,3)

n = orch.zeros(2,3)

o = torch.eye(4,4)

3.查看tensor属性

a=torch.tensor([[1,2,3],[2,3,4]]，dtype=torch.float）

a.dtype #tensor类型

a.shape #tensor形状

a.size(e) #tensor第1维的大小

a.size(1) #tensor第2维的大小 print(a.dim()) #tensor维度大小

a.grad) # tensor梯度

a.device) #tensor 所在设备

4.tensor变形

a=torch.tensor([[1,2,3[4，5，6]],dtype=torch.float)

"a的值:a

a的形状:a.shape

b = a.flatten() #拉平，就成1维tensor

b的值:b

b的形状:，b.shape

c= b.reshape(2，3) #采用reshape将输入张量形状变为(1,6)

c的值:c

c的形状：c.shape

d = b.view(1，6) # 采用view将输入张量形状变为(1,6)

d的值:d

print("d的形状:"，d.shape)

e = torch.squeeze(d) #将输入张量形状中的1去除

e的值e

e的形状：e.shape

5.tensor索引与切片

索引：tensor所有元素都有编号,正索引数是从左往右,从开始;负引从右往左,从一十开始

a=torch.tensorL[12,3].[4,5,6],[7,8,9]],dtype:torch.float) b=torch.tensor(CC10,10,10],[10,)0,10], [10,10,10]].dtype=torchfl0at)

a[1,2] 第2行第3列的值

a[-1,-1] 第3行第3列的值

a[[1],[0,2]] 第2行中第1列和第3列的值

a>4 大于4.返回布尔类型

aca>4] 大于4的值

torch. wherela>s,a,b) 大于5输出a的值,否则输出b切片:提取tensor中某一范围内的元素

a[:,o] 第1列

a[:,-1] 第3列

a[:0:2] 第1列和第2列

a[0,:] 第1行

a[-1,:] 第3行

a[::2,::2] 步长,取行时空2个、取列时空2个

6.tensor连接和拆分

a=torch.tensor([[1,2,3][4,5,6][7,8,9]],dtype=torch.float)

b = torch.tensor([[10,10,10] [10,10,10][10,10,10]],dtype=torch.float)

在给定维度上对输入的张量进行连接操作：

a,b按行拼接:torch.cat((a，b),dim=0)

a,b按列拼接:torch.cat((a，b),dim=1)

沿着一个新维度对输入张量序列进行连接在新维度拼接张量将原始数据维度扩展一维：

torch.stack((a，b),dim=0))

a,b按行拼接:torch.stack((a,b),dim=0).shape

a,b按列拼接:torch.stack((a,b),dim=1)

a,b按列拼接:torch.stack((a,b),dim=1).shape

按块大小拆分张量除不尽的取余数返回一个元组：

torch.split(a，2，dim = 0)

torch.split(a,1,dim.=0)

torch.split(a,1,dim = 1)

torch.chunk(a，2,dim = 0)

按块数拆分张量：

torch.chunk(a,2,dim =1)

7、换位与置换

a=torch.tensor([[1,2,3][4,5,6][7,8,9]],dtype=torch.float)

只接收二维Tensor：

a.T

torch.t(a)

torch.transpose(a,1 0)

接收多维Tensor：

a.permute(1,0)

三维的：

c=torch.unsqueeze(a，0)

c.shape

c.permute(1,0l2).shape

8、Tensor 运算：

加法：可以使用 + 运算符或 torch.add() 等函数进行张量相加。

减法：可使用 - 或 torch.sub() 等。

对应元素相乘用 * 。

除法：通过 / 或 torch.div() 等操作。

对于维度大于 2 的张量（高维张量），矩阵乘法仅作用在最后两个维度上，前面的维度必须保持一致，且只能通过 torch.matmul() 操作。

9.tensor微分计算：

标量对向量求导：

x= torch.tensor([1.0,2.0,3.0,4.0,5.0],requires_grad=True,dtype=torch.float32)

print(x.requires_grad) #输出 True

print(x.grad)print(x.grad_fn) # tensor.grad输出张量的梯度，这里输出 None，因为目前 t 没有梯度

print(x.grad_fn) # tensor.grad_fn指向运算生成此张量的方法，这里为 None

y= torch.sum(x ** 2) #是岭标量，只是一个数值的tensor

y.backward() # 利用自动微分计算微分