本教程会让你对使用pytorch进行深度学习编程有较为详细的认识，许多概念（比如计算图和自动求导）并不是pytorch特有，许多深度学习框架都有此特性。
本教程针对的是没有用过任何深度学习框架的人，比如TF、KERAS等。
import torch
import torch.autograd as autograd
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
torch.manual_seed(1)1.tensor简介
所有深度学习的计算都是在tensor上进行的，它是对矩阵的推广，不仅仅限于2维，可以更多维度，首先让我们看看我们可以怎么 操作tensor。
创建tensors
我们可以使用torch.Tensor()方法来创建
# Create a torch.Tensor object with the given data. It is a 1D vector
V_data = [1., 2., 3.]
V = torch.Tensor(V_data)
print V
# Creates a matrix
M_data = [[1., 2., 3.], [4., 5., 6]]
M = torch.Tensor(M_data)
print M
# Create a 3D tensor of size 2x2x2.
T_data = [[[1.,2.], [3.,4.]],
[[5.,6.], [7.,8.]]]
T = torch.Tensor(T_data)
print T 1
2
3
[torch.FloatTensor of size 3]
1 2 3
4 5 6
[torch.FloatTensor of size 2x3]
(0 ,.,.) =
1 2
3 4
(1 ,.,.) =
5 6
7 8
[torch.FloatTensor of size 2x2x2]# Index into V and get a scalar
print V[0]
# Index into M and get a vector
print M[0]
# Index into T and get a matrix
print T[0]1.0
1
2
3
[torch.FloatTensor of size 3]
1 2
3 4
[torch.FloatTensor of size 2x2]
x = torch.randn((3, 4, 5))
print x
(0 ,.,.) =
-2.9718 1.7070 -0.4305 -2.2820 0.5237
0.0004 -1.2039 3.5283 0.4434 0.5848
0.8407 0.5510 0.3863 0.9124 -0.8410
1.2282 -1.8661 1.4146 -1.8781 -0.4674
(1 ,.,.) =
-0.7576 0.4215 -0.4827 -1.1198 0.3056
1.0386 0.5206 -0.5006 1.2182 0.2117
-1.0613 -1.9441 -0.9596 0.5489 -0.9901
-0.3826 1.5037 1.8267 0.5561 1.6445
(2 ,.,.) =
0.4973 -1.5067 1.7661 -0.3569 -0.1713
0.4068 -0.4284 -1.1299 1.4274 -1.4027
1.4825 -1.1559 1.6190 0.9581 0.7747
0.1940 0.1687 0.3061 1.0743 -1.0327
[torch.FloatTensor of size 3x4x5]
2.计算图和自动微分
计算图的概念对于高效的深度学习编程是十分必要的，因为它让你不再需要去编写反向传播微分的部分，计算图包含了足够的计算derivative （导数）的信息 ，这听起来很抽象，让我们来看看