官网链接：https://pytorch.org
背景
上一篇文章中详细介绍了pytorch如何在不同设备上安装，本文将pytorch的tensor用法和不同API介绍
什么是PYTORCH？
- 替代NumPy以使用GPU的功能
- 提供最大灵活性和速度的深度学习研究平台
tensor(张量)
Tensors与NumPy的ndarrays类似，此外，Tensors也可以在GPU上使用以加速计算。
from __future__ import print_function
import torch
声明了一个未初始化的矩阵，但在使用前不包含确定的已知值。创建未初始化的矩阵时，当时分配的内存中的任何值都将显示为初始值。
构造一个未初始化的5x3矩阵：
x = torch.empty(5, 3)
print(x)
终端显示：
tensor([[ 6.0629e+10, 4.5886e-41, -1.6731e+21],
[ 3.0791e-41, 0.0000e+00, 1.4013e-45],
[ 0.0000e+00, 0.0000e+00, 0.0000e+00],
[ 0.0000e+00, 0.0000e+00, 0.0000e+00],
[ 0.0000e+00, 0.0000e+00, 0.0000e+00]])
构造一个随机初始化的矩阵：
x = torch.rand(5, 3)
print(x)
终端显示：
tensor([[0.5683, 0.1334, 0.7669],
[0.8196, 0.1895, 0.6653],
[0.3621, 0.8314, 0.6239],
[0.8716, 0.2269, 0.1005],
[0.3598, 0.1292, 0.5585]])
构造一个填充零且dtype long的矩阵：
x = torch.zeros(5, 3, dtype=torch.long)
print(x)
终端显示：
tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
直接从数据构造张量：
x = torch.tensor([5.5, 3])
print(x)
终端显示：
tensor([5.5000, 3.0000])
或基于现有张量创建张量。这些方法将重用输入张量的属性，例如dtype，除非用户提供新值
x = x.new_ones(5, 3, dtype=torch.double) # new_* methods take in sizes
print(x)
x = torch.randn_like(x, dtype=torch.float) # override dtype!
print(x) # result has the same size
终端显示：
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
tensor([[-1.4401, 0.0466, -2.1937],
[-1.0154, -0.0305, -0.3228],
[ 0.9465, -0.9894, 1.3261],
[ 1.0201, -0.2246, -0.4310],
[ 0.1879, 0.5790, 1.0969]])
得到它的大小：
print(x.size())
终端显示：
torch.Size([5, 3])
torch.Size 实际上是一个元组，因此它支持所有元组操作。
操作方式
加法：语法1
y = torch.rand(5, 3)
print(x + y)
终端显示：
tensor([[-1.1343, 0.5873, -2.0787],
[-0.8963, 0.2650, -0.0433],
[ 1.0377, -0.3409, 1.5968],
[ 1.7182, 0.2011, 0.1942],
[ 0.6774, 1.1133, 1.3968]])
加法：语法2
print(torch.add(x, y))
终端显示：
tensor([[-1.1343, 0.5873, -2.0787],
[-0.8963, 0.2650, -0.0433],
[ 1.0377, -0.3409, 1.5968],
[ 1.7182, 0.2011, 0.1942],
[ 0.6774, 1.1133, 1.3968]])
加法：语法3
# adds x to y
y.add_(x)
print(y)
终端显示：
tensor([[-1.1343, 0.5873, -2.0787],
[-0.8963, 0.2650, -0.0433],
[ 1.0377, -0.3409, 1.5968],
[ 1.7182, 0.2011, 0.1942],
[ 0.6774, 1.1133, 1.3968]])
加法：提供输出张量作为参数
result = torch.empty(5, 3)
torch.add(x, y, out=result)
print(result)
终端显示：
tensor([[-1.1343, 0.5873, -2.0787],
[-0.8963, 0.2650, -0.0433],
[ 1.0377, -0.3409, 1.5968],
[ 1.7182, 0.2011, 0.1942],
[ 0.6774, 1.1133, 1.3968]])
使用索引类似NumPy的索引！
print(x[:, 1])
终端显示：
tensor([ 0.0466, -0.0305, -0.9894, -0.2246, 0.5790])
调整大小：如果要调整张量的大小/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())
终端显示：
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
如果您具有一个元素张量，请使用.item()将该值作为Python数字获取
x = torch.randn(1)
print(x)
print(x.item())
终端显示：
tensor([-2.4280])
-2.428037405014038
将torch张量转换为NumPy数组
a = torch.ones(5)
b = a.numpy()
print(b)
终端显示：
[1. 1. 1. 1. 1.]
将NumPy数组转换为Torch张量
除CharTensor之外，CPU上的所有张量都支持转换为NumPy并返回。
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)
终端显示：
[2. 2. 2. 2. 2.]
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
CUDA张量
使用该.to方法可以将张量移动到任何设备上。
# let us run this cell only if CUDA is available
# We will use ``torch.device`` objects to move tensors in and out of GPU
if torch.cuda.is_available():
device = torch.device("cuda") # a CUDA device object
y = torch.ones_like(x, device=device) # directly create a tensor on GPU
x = x.to(device) # or just use strings ``.to("cuda")``
z = x + y
print(z)
print(z.to("cpu", torch.double)) # ``.to`` can also change dtype together!
终端显示：
tensor([-1.4280], device='cuda:0')
tensor([-1.4280], dtype=torch.float64)
