目录
前言
- 博主这几天正在学习PyTorch，发现这个深度学习框架适合研究和使用。
- 当然，博主热衷于vs2017这款IDE。虽然博主同样安装了PyCharm和Eclipse，但是由于写C++Debug的习惯，还是选择了vs2017作为深度学习的集成开发环境，希望可以帮助博主学习深度学习知识。
环境安装
主要参考博主的这篇文章：vs2017 开始自己的第一个PyTorch程序
在之后的相关教程里博主不会再给出安装的具体步骤，因为按顺序看的话没有这样的问题嘿嘿~
一、Tensor的创建和使用
1.概念和TensorFlow的是基本一致的，只是代码编写格式的不同。我们声明一个Tensor，并打印它，例如：
import torch
#定义一个Tensor矩阵
a = torch.Tensor([1, 2], [3, 4],[5, 6], [7, 8])
print(a)
print('{}'.format(a))
然后会发现报以下错误：
new() received an invalid combination of arguments - got (list, list, list, list), but expected one of: * (torch.device device) * (torch.Storage storage) * (Tensor other) * (tuple of ints size, torch.device device) * (object data, torch.device device)
意思是接收到无效的参数组合。其实是少写了一对中括号，这是初学者的常用错误。
2.改成如下形式：
import torch
#定义一个Tensor矩阵
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print(a)
print('{}'.format(a))结果为：
3.如果想查看的它的大小可以加一句话：
import torch
#定义一个Tensor矩阵
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print('{}'.format(a.size()))
结果为：
即4行2列的矩阵
4.如果想生成一个全为0的矩阵，可以输入如下代码：
import torch
#定义一个Tensor矩阵
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print('{}'.format(a.size()))
b = torch.zeros((4, 2))
print(b)结果为：
即4行2列数组元素全为0的矩阵
5.如果想生成不同类型的数据，可以改变torch.后面函数名称，例如下面这样：
import torch
#定义一个Tensor矩阵
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print('{}'.format(a))
b = torch.zeros((4, 2))
print(b)
c = torch.IntTensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print(c)
d = torch.LongTensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print(d)
e = torch.DoubleTensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print(e)结果为：
6.如果想访问Tensor里的一个元素或者改变它，可以输入如下代码：
print(e[1, 1])
#改变元素值
e[1, 1] = 3
print(e[1, 1])代码变为：
import torch
#定义一个Tensor矩阵
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print('{}'.format(a))
b = torch.zeros((4, 2))
print(b)
c = torch.IntTensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print(c)
d = torch.LongTensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print(d)
e = torch.DoubleTensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print(e)
print(e[1, 1])
#改变元素值
e[1, 1] = 3
print(e[1, 1])结果为：
说明原来4的位置数值变为了3
7.最重要的是Tensor和Numpy之间的转换，例如我们把e变为numpy类型，添加以下代码：
f = e.numpy()
print(f)变为：
import torch
#定义一个Tensor矩阵
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print('{}'.format(a))
b = torch.zeros((4, 2))
print(b)
c = torch.IntTensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print(c)
d = torch.LongTensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print(d)
e = torch.DoubleTensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print(e)
print(e[1, 1])
#改变元素值
e[1, 1] = 3
print(e[1, 1])
#转换为Numpy
f = e.numpy()
print(f)结果为：
可以看到没有tensor()了~
我们再把f变为tensor类型，输入以下代码：
g = torch.from_numpy(f)
print(g)变为：
import torch
#定义一个Tensor矩阵
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print('{}'.format(a))
b = torch.zeros((4, 2))
print(b)
c = torch.IntTensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print(c)
d = torch.LongTensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print(d)
e = torch.DoubleTensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print(e)
print(e[1, 1])
#改变元素值
e[1, 1] = 3
print(e[1, 1])
#转换为Numpy
f = e.numpy()
print(f)
#转换为Tensor
g = torch.from_numpy(f)
print(g)结果为：
可以看到又变成了Tensor类型~
二、Tensor放到GPU上执行
1.通过如下代码判断是否支持GPU：
if torch.cuda.is_available():
h = g.cuda()
print(h)变为
import torch
#定义一个Tensor矩阵
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print('{}'.format(a))
b = torch.zeros((4, 2))
print(b)
c = torch.IntTensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print(c)
d = torch.LongTensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print(d)
e = torch.DoubleTensor([[1, 2], [3, 4],[5, 6], [7, 8]])
print(e)
print(e[1, 1])
#改变元素值
e[1, 1] = 3
print(e[1, 1])
#转换为Numpy
f = e.numpy()
print(f)
#转换为Tensor
g = torch.from_numpy(f)
print(g)
#将Tensor放在GPU上
if torch.cuda.is_available():
h = g.cuda()
print(h)2.生成结果会慢一下，然后可以看到多了一个device=‘cuda:0’：
三、Tensor总结
1.Tensor和Numpy都是矩阵，区别是前者可以在GPU上运行，后者只能在CPU上
2.Tensor和Numpy互相转化很方便，类型也比较兼容
3.Tensor可以直接通过print显示数据类型，而Numpy不可以，例如：dtype = torch.float64