基本元素操作
·Tensors张量：张量的概念类似于Numpy中的ndarray数据机构，最大的区别在于Tensor可以利用GPU的加速功能。
·我们使用Pytorch的时候，常规步骤是先将torch引用进来，如下所示：
from __future__ import print_function import torch
·创建矩阵的操作
·创建一个没有初始化的矩阵
x = torch.empty(5, 3) print(x)
·输出结果
tensor([[8.9082e-39, 6.9796e-39, 9.0919e-39], [9.9184e-39, 7.3470e-39, 1.0194e-38], [1.0469e-38, 1.0010e-38, 8.4490e-39], [1.1112e-38, 9.5511e-39, 1.0102e-38], [7.3470e-39, 1.0653e-38, 1.0194e-38]])
·创建一个有初始化的矩阵
x = torch.rand(5, 3) print(x)
·输出结果
tensor([[0.4131, 0.9503, 0.6787], [0.4152, 0.3765, 0.7076], [0.7593, 0.4818, 0.6114], [0.9367, 0.9751, 0.4312], [0.1160, 0.9584, 0.9142]])
·对比有无初始化的矩阵；当声明一个未初始化的矩阵时，它本身不包含任何确切的值，当创建一个未初始化的矩阵时，分配给矩阵的内存中有什么数值就赋值给了这个矩阵，本质上是毫无意义的数据
·创建一个全零矩阵并可指定数据元素的类型为long
x = torch.zeros(5, 3, dtype=torch.long) print(x)
·输出结果
tensor([[0, 0, 0], [0, 0, 0], [0, 0, 0], [0, 0, 0], [0, 0, 0]])
·直接通过数据创建张量
x = torch.tensor([2.5, 3.5]) print(x)
·输出结果
tensor([2.5000, 3.5000])
·通过已有的一个张量创建相同尺寸的新张量
#引用news_methods方法得到一个张量
x = x.new_ones(5, 3, dtype=torch.double) print(x) #利用randn_like方法得到相同张量尺寸的一个新张量，并且采用随机初始化来对其赋值。 y = torch.randn_like(x, dtype=torch.float) print(y)
·输出结果
tensor([[1., 1., 1.], [1., 1., 1.], [1., 1., 1.], [1., 1., 1.], [1., 1., 1.]], dtype=torch.float64) tensor([[-0.5876, 1.3036, -0.3869], [ 1.7733, 0.1932, 0.2446], [ 0.5916, 1.2084, -0.1035], [ 1.3692, 1.1909, -2.2429], [-0.3186, -1.4448, 1.0075]]) #采用标准正态分布进行初始化
·得到张量的尺寸
print(x.size)
·输出结果
torch.Size([5, 3])
·注意
·torch.Size函数本质上返回的是一个tuple（元组），因此他支持一切元组的操作
加法操作
y = torch.rand(5, 3)
print(x + y)
·输出结果
tensor([[1.5351, 1.6842, 1.3666], [1.3795, 1.8638, 1.3811], [1.0541, 1.7301, 1.0899], [1.8753, 1.7973, 1.4234], [1.5610, 1.8953, 1.6338]], dtype=torch.float64)
·第二种加法方式
print(torch.add(x, y))
·输出结果
tensor([[1.7277, 1.9559, 1.1531], [1.6201, 1.5433, 1.9186], [1.7482, 1.1966, 1.7893], [1.2140, 1.6189, 1.1661], [1.0954, 1.3963, 1.9146]], dtype=torch.float64)
·第三种加法方式
#提前设定一个空的张量 result = torch.empty(5, 3) #将空的张量作为加法的结果储存张量 torch.add(x, y, out=result) print(result)
·输出结果
tensor([[1.6799, 1.9276, 1.9753], [1.7507, 1.1125, 1.5353], [1.1135, 1.2286, 1.8567], [1.0847, 1.5680, 1.7244], [1.7176, 1.8635, 1.4754]])
·第四种加法方式：in-place(原地置换)
y.add_(x) print(y)
·输出结果
tensor([[1.3709, 1.1069, 1.7186], [1.6112, 1.8828, 1.3935], [1.2912, 1.3112, 1.0213], [1.5485, 1.0155, 1.8169], [1.3625, 1.5086, 1.0970]])
·注意
·所有in-place的操作函数都有一个下划线的后缀
·比如x.copy_(y), x.add_(y)都会直接改变x的值
·用类似于Numpy的方式对张量进行操作：
print(x[:, 1])
·输出结果
tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
·改变张量的形状：torch.view()
x = torch.randn(4, 4) # tensor.view()操作需要保证数据元素的总数量不变 z = x.view(-1, 8) print(x.size(), y.size(), z.size())
·输出结果
torch.Size([4, 4]) torch.Size([5, 3]) torch.Size([2, 8])
x = torch.randn(4, 4) # tensor.view()操作需要保证数据元素的总数量不变 z = x.view(-1, 8) y = x.view(16) print(x.size(), y.size(), z.size())
·输出结果
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
··注意！！元素的个数一定不能改变
·如果张量中只有一个元素，可以用.item()将值取出，作为一个python umber
item.randn(1)表示将第一个值取出，作为一个python number
x = torch.randn(1) print(x) print(x.item())
·输出结果
tensor([-1.2572]) -1.257204294204712
·注意！！.item只能提取单一的一个值
·关于Torch Tensor和Numpy array之间的相互转换·Torch Tensor和Numpy array共享底层的内存空间，因此改变其中一个的值，另一个也会随之被改变。
a = torch.ones(5) print(a)
·输出结果
tensor([1., 1., 1., 1., 1.])
·将Torch Tensor转换为Numpy array
b = a.numpy() print(b)
·输出结果
[1. 1. 1. 1. 1.]
·对其中一个进行加法操作，另一个也随之被改变
a.add_(1) print(a) print(b)
·输出结果
tensor([2., 2., 2., 2., 2.]) [2. 2. 2. 2. 2.]
·将Numpy array转换为Torch Tensor
import numpy as np a = np.ones(5) b = torch.from_numpy(a) np.add(a, 1, out=a) print(a) print(b)
输出结果
[2. 2. 2. 2. 2.] tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
··注意！！
··在所有CPU上的Tensors，除了CharTensor，都可以转换为Numpy array并可以反向转换。
·关于Cuda Tensor，Tensor可以用.to()的方法来将其移动到任意设备上。
# 如果服务器上已安装了GPU和CUDA
if torch.cuda.is_available():
#定义一个设备对象，这里指定成CUDA，即使用GPU
device = torch.device("cuda")
#直接在GPU上创建一个Tensor
y = torch.ones_like(x, device=device)
#将在CPU上面的x张量移动到GPU上面
x = x.to(device)
#x和y都在GPU上面，才能支持加法运算
z = x + y
#此处的张量z在GPU上面
print(z)
#也可以将z转移到CPU上面，并同时指定张量元素的数据类型
print(z.to("cpu", torch.double))
·输出结果
tensor([0.6469], device='cuda:0') tensor([0.6469], dtype=torch.float64)总结
·什么是Pytorch
·Pytorch是一个基于Numpy的科学计算包，作为Numpy的代替者，向用户提供使用GPU强大功能的能力。
·作为一款深度学习的平台，向用户提供最大的灵活性和速度。
·Pytorch的基本元素操作
·矩阵的初始化：
·torch.empty()
·torch.randn(n, m)
·torch.zeros(n, m, dtype=torch.double)
·其他若干操作：
·x.new_ones(n, m, dtype=torch.double)
·torch.randn_like(x, dtype=torch.float)
·x.size
·Pytorch的基本运算操作。
·加法操作：
·x +y
·torch.add(x, y)
·torch.add(x, y, out=result)
·y.add_(x)
·其他若干操作
·x.view()
·x.item()
·Torch Tensor和Numpy array之间的相互转换。
·将Torch Tensor转换为Numpy array：
·b = a.numpy()
·将Numpy array转换为Torch Tensor：
·b = torch.from_numpy(a)
·注意：所有在CPU上的Tensor，除了CharTensor，都可以转换为Numpy array并可以反向转换。
·任意的Tensors可以用.to()的方法来将其移动到任意设备上。
·x = x.to(device)
