pytorh两个主要特征

1.一个n维张量，类似于numpy，但可以在GPU上运行

2.搭建和训练神经网络时的自动微分/求导机制

tensor（张量）

标量（Scalar）是只有大小，没有方向的量，如1，2，3等

向量（Vector）是有大小和方向的量，其实就是一串数字，如[1,2,3,4]
]
矩阵（Matrix）是好几个向量拍成一排合并而成的一堆数字，如[[1,2],[3,4]]。这就是一个2*2矩阵

所以什么是张量？张量表示由一个数值组成的数组，这个数组可能有多个维度。一维、二维、三维甚至是更高维度的数据都称之为张量

张量类似于 NumPy 的 ndarray，不同之处在于张量可以在 GPU 或其他专用硬件上运行以加速计算。如果您熟悉 ndarrays，那么您将熟悉 Tensor API。

导入pytorch

import torch

构造张量

新的张量默认将存储在内存中，并采用基于CPU的计算。在指定后可以基于GPU运算

1.构造一个指定shape矩阵，不初始化。如（5,3），就是一个5行3列的矩阵

x = torch.empty(5,3)
print(x)

tensor([[5.9694e-39, 1.0010e-38, 1.0102e-38],
[1.0561e-38, 1.0469e-38, 1.0653e-38],
[1.0469e-38, 4.2246e-39, 1.0286e-38],
[1.0653e-38, 1.0194e-38, 8.4490e-39],
[1.0469e-38, 9.3674e-39, 9.9184e-39]])

2.构造一个随机初始化的矩阵

x=torch.rand(5,3)
print(x)

tensor([[0.7128, 0.4246, 0.7655],
[0.3050, 0.1269, 0.7713],
[0.2658, 0.6642, 0.8440],
[0.4126, 0.6576, 0.7155],
[0.1038, 0.2788, 0.5126]])

3.构造一个元素全为0的张量，指定数据类型(例如：long)的矩阵，不指定默认为浮点数

x=torch.zeros(5,3)
print(x)

tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])

4.元素全为1的张量

x=torch.ones((2, 3, 4))
print(x)

tensor([[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]],
[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]]])

5.指定范围的行向量

x = torch.arange(0, 10, 2)
print(x)

6.直接使用数据构造

x = torch.tensor(5)#标量
print(x)
x = torch.tensor([5,3,5.5])#一维
print(x)
data = [[1,2],[3,4]]  #python的数组
x = torch.tensor(data)
print(x)

tensor(5)
tensor([5.0000, 3.0000, 5.5000])
tensor([[1, 2],[3, 4]])

7.从一个存在tensor中创建tensor

x=torch.zeros(5,3)
print(x)
y = torch.randn_like(x,dtype=torch.float)
print(y)
# shape相同，但其中的数据并不同,可以重写dtype以重新指定数据类型

使用指定类型函数随机初始化指定大小的tensor

d = torch.FloatTensor(2,3)
e = torch.IntTensor(2)
f = torch.IntTensor([1,2,3,4])  #对于python已经定义好的数据结构可以直接转换
print(d, '\n', e, '\n', f)

tensor([[0., 0., 0.],[0., 0., 0.]]) tensor([0, 0], dtype=torch.int32) tensor([1, 2, 3, 4], dtype=torch.int32)

使用 NumPy 桥接

CPU 和 NumPy 数组上的张量可以共享它们的底层内存位置，改变一个将改变另一个。

张量到 NumPy 数组

nparray = np.array(data)
print(nparray)
x_np = torch.from_numpy(nparray)
print(x_np)

输出

[[1 2][3 4]]
tensor([[1, 2],[3, 4]], dtype=torch.int32)

NumPy 数组到张量

t = torch.ones(5)
print(t)
n = t.numpy()
print(n)
t.add_(1)    #改变tensor，  numpy也随之改变
print(n)

输出

tensor([1., 1., 1., 1., 1.])
[1. 1. 1. 1. 1.]
[2. 2. 2. 2. 2.]

获取tensor的属性

其中tensor.size() 与tensor.shape效果一样，都会获取到tensor的维度信息

tensor = torch.rand(3, 4)print(f"Shape of tensor: {tensor.shape}")
print(f"Shape of tensor: {tensor.size()}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")

输出

Shape of tensor: torch.Size([3, 4])
Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu

操作

运算操作（+，-，*，/，**），相同shape的张量在进行这些运算操作的时候都是 按元素操作。即指定位置的相加减

x = torch.tensor([1, 2, 3, 4])
y = torch.tensor([5, 5, 5, 5])
print(x + y,'\n' ,x - y, '\n' ,x * y,'\n' , x / y, '\n' ,x ** y)

tensor([6, 7, 8, 9]) tensor([-4, -3, -2, -1]) tensor([ 5, 10, 15, 20]) tensor([0.2000, 0.4000, 0.6000, 0.8000]) tensor([   1,   32,  243, 1024])

其他操作

如果有一个tensor是标量，那么可以使用.item()来获得这个value

x = torch.randn(1)
print(x)
print(x.item())

tensor([-0.1570])
-0.15697871148586273

改变shape

x = torch.randn(4,4)
print(x)
y=x.view(16)
z=x.view(-1,8) # -1是任意的意思，当其他维度的尺寸确定后，系统就可以自动确定这个维度的尺寸
print(x.size(),y.size(),z.size())

tensor([[ 0.4341,  0.6259, -0.9689, -0.2217],[ 2.4829, -1.7164,  1.2984,  0.6380],[-0.3155,  0.1139, -0.1671, -0.5908],[ 0.0519,  1.9428, -0.2036, -1.1989]])
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

索引和切片

与python中，或者numpy中类似，暂不赘述

广播机制

与numpy中类似
前面我们说对相同shape的张量进行运算，但如果我们不同shape的张量进行运算的时候呢？
通过广播机制，可以将它们广播成相同shape的张量再进行运算
如何广播？
如下例子，一个31矩阵和一个12矩阵进行加法操作，此时将31变为32，将12也变为32。
其中的数据也会复制过去

a = torch.arange(3).reshape((3, 1))b = torch.arange(2).reshape((1, 2))
print(a+b)

tensor([[0, 1],[1, 2],[2, 3]])

参考：
https://github.com/datawhalechina/thorough-pytorch
https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html

Pytorch入门：60分钟快速入门，第一节：张量（tensor）相关推荐

不会几个框架，都不好意思说搞过前端： Vue.js - 60分钟快速入门
Vue.js--60分钟快速入门 Vue.js是当下很火的一个JavaScript MVVM库,它是以数据驱动和组件化的思想构建的.相比于Angular.js,Vue.js提供了更加简洁.更易于理解的 ...
视频教程-.NET MVC5—60分钟快速入门学会《增删改查》-.NET
.NET MVC5-60分钟快速入门学会<增删改查> 从事软件开发7年,熟悉软件开发流程,精通WEB系统程序开发.先后参与随州公安无纸化办公软件.速成会计财务管理软件.明源地产ERP等重大 ...
60分钟快速入门PyTorch
点击上方"算法猿的成长",关注公众号,选择加"星标"或"置顶" 总第 136 篇文章,本文大约 26000 字,阅读大约需要 60 分钟 P ...
60分钟快速入门 PyTorch
PyTorch 是由 Facebook 开发,基于 Torch 开发,从并不常用的 Lua 语言转为 Python 语言开发的深度学习框架,Torch 是 TensorFlow 开源前非常出名的一个深 ...
Vue.js——60分钟快速入门
Vue.js是当下很火的一个JavaScript MVVM库,它是以数据驱动和组件化的思想构建的.相比于Angular.js,Vue.js提供了更加简洁.更易于理解的API,使得我们能够快速地上手并使 ...
Vue.js—60分钟快速入门
Vue.js介绍 Vue.js是当下很火的一个JavaScript MVVM库,它是以数据驱动和组件化的思想构建的.相比于Angular.js,Vue.js提供了更加简洁.更易于理解的API,使得我们 ...
python快速入门 pdf-十分钟快速入门python
如果你想学习python这门语言,却苦于烦恼找一个简短而多方位的入门教程.那么小编将花费一点时间带你走进Python的道路.此文的内容介于教程(Toturial)和速查手册(CheatSheet)之间 ...
【PyTorch v1.1.0文档研习】60分钟快速上手
阅读文档:使用 PyTorch 进行深度学习:60分钟快速入门. 本教程的目标是: 总体上理解 PyTorch 的张量库和神经网络训练一个小的神经网络来进行图像分类 PyTorch 是个啥? 这是基 ...
60 分钟极速入门 PyTorch
2017 年初,Facebook 在机器学习和科学计算工具 Torch 的基础上,针对 Python 语言发布了一个全新的机器学习工具包 PyTorch. 因其在灵活性.易用性.速度方面的优秀表现,经 ...

Pytorch入门：60分钟快速入门，第一节：张量（tensor）