pytorch教程视频 pytorch 快速入门

pytorch基础

• 1.张量

• （1）创建一个没有初始化的5*3矩阵
• （2）创建一个随机初始化矩阵
• （3）构造一个填满0且数据类型为long的矩阵
• （4）直接从数据构造张量
• （5）根据已有的tensor建立新的tensor。除非用户提供新的值，否则这些方法将重用输入张量的属性。

• 2.运算

• （1）加法：形式一
• （2）加法：形式二
• （3）加法：形式三,给定一个输出张量作为参数
• （4）加法：原位/原地操作(in-place）
• （5）也可以使用像标准的NumPy一样的各种索引操作
• （6）改变形状：如果想改变形状，可以使用torch.view
• （7）仅包含一个元素的tensor，可以使用.item()来得到对应的python数值

• 3.桥接 NumPy

• （1）将torch的Tensor转化为NumPy数组
• （2）将NumPy数组转化为Torch张量

• 4.CUDA上的张量

1.张量

Tensor(张量）类似于NumPy的ndarray，但还可以在GPU上使用来加速计算。

（1）创建一个没有初始化的5*3矩阵

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

（2）创建一个随机初始化矩阵

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

（3）构造一个填满0且数据类型为long的矩阵

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

（4）直接从数据构造张量

x = torch.tensor([5.5, 3])
print(x)

（5）根据已有的tensor建立新的tensor。除非用户提供新的值，否则这些方法将重用输入张量的属性。

x = x.new_ones(5, 3, dtype=torch.double)      # new_* methods take in sizes
print(x)
x = torch.randn_like(x, dtype=torch.float)    # 重载 dtype!
print(x)                                      # 结果size一致

2.运算

一种运算有多种语法。在下面的示例中，我们将研究加法运算。

（1）加法：形式一

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

（2）加法：形式二

print(torch.add(x,y))

（3）加法：形式三,给定一个输出张量作为参数

result = torch.empty(5,3)
torch.add(x,y,out=result)
print(result

（4）加法：原位/原地操作(in-place）

任何一个in-place改变张量的操作后面都固定一个_。例如x.copy_(y)、x.t_()将更改x

# adds x to y
y.add_(x)
print(y)

（5）也可以使用像标准的NumPy一样的各种索引操作

print(x[:, 1])

（6）改变形状：如果想改变形状，可以使用torch.view

x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8)  # the size -1 is inferred from other dimensions
print(x.size(), y.size(), z.size())

（7）仅包含一个元素的tensor，可以使用.item()来得到对应的python数值

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

3.桥接 NumPy

将一个Torch张量转换为一个NumPy数组是轻而易举的事情，反之亦然。
Torch张量和NumPy数组将共享它们的底层内存位置，因此当一个改变时,另外也会改变。

（1）将torch的Tensor转化为NumPy数组

a = torch.ones(5)
print(a)

b = a.numpy()
print(b)

NumPy数组是如何改变里面的值的：

a = a.add_(1)
print(a)
print(b)

（2）将NumPy数组转化为Torch张量

改变NumPy数组是如何自动改变Torch张量的：

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)

4.CUDA上的张量

张量可以使用.to方法移动到任何设备(device）上：

# 当GPU可用时,我们可以运行以下代码
# 我们将使用`torch.device`来将tensor移入和移出GPU
if torch.cuda.is_available():
    device = torch.device("cuda")          # a CUDA device object
    y = torch.ones_like(x, device=device)  # 直接在GPU上创建tensor
    x = x.to(device)                       # 或者使用`.to("cuda")`方法
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))       # `.to`也能在移动时改变dtype