PyTorch 简介
详细的PyTorch教程可以去PyTorch官网的学习指南进一步学习，下面主要对PyTorch做简单的介绍，能够快速入门。
首先PyTorch是基于Python的科学计算类库，主要有以下两个方面的应用：
- 作为Numpy的替代者，充分利用GPU的计算能力。
- 提供一个灵活、快速的深度学习平台。
1.Tensor
Tensor 与Numpy的N维数组相似，另外还可以在GPU上使用张量来加速计算。
from __future__ import print_function
import torch
构建一个5*3的未初始化的矩阵
x = torch.empty(5,3)
print(x)
tensor([[2.7712e+35, 4.5886e-41, 7.2927e-04],
[3.0780e-41, 3.8725e+35, 4.5886e-41],
[4.4446e-17, 4.5886e-41, 3.9665e+35],
[4.5886e-41, 3.9648e+35, 4.5886e-41],
[3.8722e+35, 4.5886e-41, 4.4446e-17]])
构建一个随机初始化的矩阵：
x = torch.rand(5,3)
print(x)
tensor([[ 0.4217, 0.2846, 0.9913],
[ 0.8746, 0.0236, 0.4789],
[ 0.5481, 0.6883, 0.8226],
[ 0.0092, 0.2270, 0.4415],
[ 0.1383, 0.0734, 0.1277]])
构建一个元素类型为long且元素值为0的矩阵：
x = torch.zeros(5,3,dtype=torch.long)
print(x)
tensor([[ 0, 0, 0],
[ 0, 0, 0],
[ 0, 0, 0],
[ 0, 0, 0],
[ 0, 0, 0]])
构建一个直接加载数据的矩阵：
x = torch.tensor([[3.3,12],[3,5]])
print(x)
tensor([[ 3.3000, 12.0000],
[ 3.0000, 5.0000]])
基于现有的tensor来建立一个tensor。这个方法将复用源tensor的属性（如：dtype等），除非知道提供一个新的值
x = x.new_ones(5,3,dtype=torch.double)
print(x)
x = torch.randn_like(x,dtype=torch.float)
print(x)
tensor([[ 1., 1., 1.],
[ 1., 1., 1.],
[ 1., 1., 1.],
[ 1., 1., 1.],
[ 1., 1., 1.]], dtype=torch.float64)
tensor([[-0.8084, 1.5661, -0.1017],
[ 3.1705, -0.7630, -2.3282],
[-1.3905, -0.0371, -0.4802],
[-0.4614, -0.1850, 0.0266],
[-0.0259, 2.7221, -0.8667]])
获得Size：
print(x.size())
torch.Size([5, 3])
提示
torch.size实际是tuple，它支持tuple所有的运算。
运算
有很多运算法则。在接下来的例子中，我们将浏览一下加法运算。
加法：语法1
y = torch.rand(5,3)
print(x+y)
tensor([[ 1.5992, 0.1308, 0.9808],
[-0.3881, 1.5539, 2.3827],
[ 0.5378, 0.0299, 1.0226],
[-0.3838, 0.9908, 0.0008],
[ 1.4833, 0.8037, -0.5720]])
加法:语法2
print(torch.add(x,y))
tensor([[ 1.5992, 0.1308, 0.9808],
[-0.3881, 1.5539, 2.3827],
[ 0.5378, 0.0299, 1.0226],
[-0.3838, 0.9908, 0.0008],
[ 1.4833, 0.8037, -0.5720]])
加法：作为输出参数
result = torch.empty(5,3)
torch.add(x,y,out=result)
print(result)
tensor([[ 1.5992, 0.1308, 0.9808],
[-0.3881, 1.5539, 2.3827],
[ 0.5378, 0.0299, 1.0226],
[-0.3838, 0.9908, 0.0008],
[ 1.4833, 0.8037, -0.5720]])
加法：内联
y.add_(x)
print(y)
tensor([ 0.3145, -0.4335, 1.6005, 1.6027, 1.0676, 0.5858, -0.6781, -0.0365, 1.2611, 1.2395, 1.3665, 1.1841, 3.5654, -0.2450,-0.2146, -0.4243])
a = y.size()
print(a)
torch.Size([16])
提示
任何改变张量的操作都是固定有“”。例如：x.copy(y),x.t_(),都会改变x的值。
你可以使用标准的类似Numpy的行列索引。
print(x[:,1])
tensor([-0.2800, 1.1224, -0.4513, 0.8686, 0.1282])
变换大小：如果你想改变调整大小/改造张量，你可以使用 torch.view:
x = torch.randn(4,4)
y = x.view(16)
z = x.view(-1,8)
print(x.size(),y.size(),z.size())
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
如果你有一个一个元素的tensor，可以使用 .item() 获得其中的数字。
Tensor有包括 转置、索引、切片、数学操作、线性代数、随机数等100多种运算，具体详见Torch
x = torch.randn(1)
print(x)
print(x.item())
tensor([ 0.8017])
0.8016660213470459
NumPy Bridge
将Torch Tensor 转换成NumPy 数组，反之亦然。 Torch Tensor和NumPy 数组是共享内存，修改其中一个的值，那么另外一个的值也会改变。
将Tensor转换成 NumPy Array
a = torch.ones(5)
print(a)
tensor([ 1., 1., 1., 1., 1.])
b= a.numpy()
print(b)
[ 1. 1. 1. 1. 1.]
观察numpy array的值会被改变。
a.add_(1)
print(a)
print(b)
tensor([ 2., 2., 2., 2., 2.])
[ 2. 2. 2. 2. 2.]
将NumPy Array 转换成Tensor
观察numpy array如何自动转换成 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)
[ 2. 2. 2. 2. 2.]
tensor([ 2., 2., 2., 2., 2.], dtype=torch.float64)