前言
很多人都会拿PyTorch和Google的Tensorflow进行比较，这个肯定是没有问题的，因为他们是最火的两个深度学习框架了。但是说到PyTorch，其实应该先说Torch。
什么是Torch？
Torch是一个与Numpy类似的张量（Tensor）操作库，与Numpy不同的是Torch对GPU支持的很好。Lua是Torch的上层包装，虽然Lua速度很快，Lua实在是太小众了，所以才会有PyTorch的横空出世。
PyTorch是一个基于Torch的Python开源机器学习库，用于自然语言处理等应用程序。 它主要由Facebook的人工智能研究小组开发。Uber的"Pyro"也是使用的这个库。
PyTorch是一个Python包，提供两个高级功能：
- 具有强大的GPU加速的张量计算（如NumPy）
- 包含自动求导系统的的深度神经网络
最后，关于Tensorflow和PyTorch的对比网上已经有很多了，这里就不详细说明了，有兴趣的可以看这篇文章https://zhuanlan.zhihu.com/p/28636490。
一、什么是张量（Tensor）
PyTorch是一个处理张量的库，张量是PyTorch里面基础运算单位，一个张量是一个数字、向量、矩阵或者任何n维数组。张量与Numpy的ndarray相同，都表示的是一个多维的矩阵。与ndarray的最大区别就是**：PyTorch的Tensor可以在GPU上运行，而numpy的ndarray只能在CPU上运行，在GPU上运行大大加快了运算速度。**
- 导包
# 首先要导入相关的包，以保证程序可以正常运行
import numpy as np
import torch
# 我们可以通过打印PyTorch的版本来确定是否导入成功
torch.__version__
- 新建一个简单的Tensor
# 生成一个2行3列的矩阵
x = torch.rand(2,3)
x
- 查看Tensor的大小
# 可以使用与numpy相同的shape属性查看
print(x.shape)
# 也可以用使用size()函数
print(x.size())
- 生成一个多维张量
y = torch.rand(2,3,4,5)
print(y.shape) # 打印y张量的大小
y
在同构的意义下，第0阶张量（r = 0）为标量（Scalar），第一阶张量（r = 1）为向量（Vector），第二阶张量（r = 2）则称为了矩阵（Matrix），第3阶以上的统称为多维张量。
- 其中，特别主义的是标量，我们先来生成一个标量（scalar）：
scalar = torch.tensor(3.1415926)
scalar
# 对于标量， 我们可以直接使用.item()从中取出其对应的Python对象
scalar.item()
# 特别的，如果张量中只有一个元素，也可以用.item()取出对应的Python对象
tensor1 = torch.tensor([3.1415926])
tensor1.item()
二、如何创建一个张量（Tensor）
- 使用[0，1]均匀分布随机初始化张量
rnd = torch.rand(5,3)
rnd
- 使用1填充
one = torch.ones(2,2)
one
- 使用0填充
zero = torch.zeros(2,2)
zero
- 初始化一个单位矩阵，即对角线为1，其它为0
eye = torch.eye(2,2)
eye
三、常用方法
PyTorch中对张量的操作api和Numpy非常相似，如果熟悉Numpy中的相关操作，它们两个是基本一致的
- 首先，我们新建一个张量Tensor
rnd = torch.randn(3,3)
rnd
然后我们来进行以下的操作：
- 沿着行取最大值
max_value,max_idx = torch.max(x,dim = 1)
max_value,max_idx
- 沿着列取最大值
max_value,max_idx = torch.max(x,dim = 0)
max_value,max_idx
- 求每行的和
sum_x = torch.sum(x,dim = 1)
sum_x
- 求每列的和
sum_y = torch.sum(x,dim = 0)
sum_y
- 求两个张量的和
# 首先我们需要另建一个张量y
y = torch.randn(3,3)
z = x+y
z
- 任何以“-”结尾的操作都会用结果替换原变量，例如：“x.copy_(y)”，都会改变x
x = torch.randn(3,3)
print('修改前', x)
y = torch.randn(3,3)
x.add_(y)
print('修改后', x)
四、张量（Tensor）和Numpy对象的互相转换
Tensor和numpy对象共享内存，所以他们之间的转换很快，而且几乎不会消耗什么资源。但这也意味着，如果其中一个改变了，另外一个也会随之改变。
- Tensor转为Numpy对象
a = torch.randn((3,2))
# 将tensor转为numpy
numpy_a = a.numpy()
print(numpy_a)
- Numpy对象转为Tensor
torch_a = torch.from_numpy(numpy_a)
print(torch_a)
五、参考文献
https://github.com/zergtant/pytorch-handbook/blob/master/chapter2/2.1.1.pytorch-basics-tensor.ipynb