%matplotlib inline
这是一个基于Python的科学计算软件包，面向两组受众：
- 替代NumPy以使用GPU的功能
- 深度学习研究平台，可提供最大的灵活性和速度
开始吧
张量(Tensors)
张量与NumPy的ndarrays类似，此外，
张量也可以在GPU上使用以加速计算。
from __future__ import print_function
import torch
创建一个未初始化的5x3矩阵：
x = torch.empty(5, 3)
print(x)
tensor([[-1.8736e-02, 5.3810e-43, -1.8736e-02],
[ 5.3810e-43, -1.8736e-02, 5.3810e-43],
[-1.8736e-02, 5.3810e-43, -1.8736e-02],
[ 5.3810e-43, -1.8736e-02, 5.3810e-43],
[-1.8736e-02, 5.3810e-43, -1.8736e-02]])
创建一个随机初始化的矩阵：
x = torch.rand(5, 3)
print(x)
tensor([[0.1884, 0.9676, 0.0932],
[0.0237, 0.8706, 0.1165],
[0.8923, 0.6846, 0.2428],
[0.1050, 0.1057, 0.4467],
[0.2271, 0.8529, 0.5744]])
构造一个填充零且dtype long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]])
直接从数据创建张量：
x = torch.tensor([5.5, 3])
print(x)
tensor([5.5000, 3.0000])
或基于现有张量创建张量。 这些方法将重复使用输入张量的属性，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
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
tensor([[-0.6246, -0.3308, 1.0961],
[-0.2643, -1.9371, -0.7324],
[-1.0433, 1.8659, -0.2630],
[-0.5869, -0.8914, 1.2099],
[-0.7889, 0.0762, 0.3997]])
打印它的大小：
print(x.size())
torch.Size([5, 3])
注
``torch.Size`` 实际上是一个tuple，因此它支持所有tuple操作。
运算(Operations)
运算有多种语法实现。在下面的示例中，我们将看一下加法运算。
加法：语法1
y = torch.rand(5, 3)
print(x + y)
tensor([[-0.5411, -0.2331, 1.4236],
[ 0.4124, -1.0028, -0.6942],
[-0.5186, 2.3691, 0.6042],
[-0.3107, -0.7324, 1.7120],
[-0.5278, 0.2224, 1.1851]])
加法：语法2
print(torch.add(x, y))
tensor([[-0.5411, -0.2331, 1.4236],
[ 0.4124, -1.0028, -0.6942],
[-0.5186, 2.3691, 0.6042],
[-0.3107, -0.7324, 1.7120],
[-0.5278, 0.2224, 1.1851]])
加法：提供输出张量作为参数(argument)
result = torch.empty(5, 3)
torch.add(x, y, out=result)
print(result)
tensor([[-0.5411, -0.2331, 1.4236],
[ 0.4124, -1.0028, -0.6942],
[-0.5186, 2.3691, 0.6042],
[-0.3107, -0.7324, 1.7120],
[-0.5278, 0.2224, 1.1851]])
加法：就地(in-place)
# adds x to y
y.add_(x)
print(y)
tensor([[-0.5411, -0.2331, 1.4236],
[ 0.4124, -1.0028, -0.6942],
[-0.5186, 2.3691, 0.6042],
[-0.3107, -0.7324, 1.7120],
[-0.5278, 0.2224, 1.1851]])
注
任何使张量就地发生变化的操作都将使用 ``_``. 如: ``x.copy_(y)``, ``x.t_()``, 会改变 ``x``.
您可以使用类似NumPy的标准索引来变出各种花样！
print(x[:, 1])
tensor([-0.3308, -1.9371, 1.8659, -0.8914, 0.0762])
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())
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()获取该值作为Python数字。
x = torch.randn(1)
print(x)
print(x.item())
tensor([0.5033])
0.5032538771629333
稍后阅读:
包含了100多个Tensor运算，包括转置(transposing)、索引(indexing)、分割(slicing)、数学运算(mathematical operations)、线性代数(linear algebra)、随机数(random numbers)等。
NumPy转换
将Torch张量转换为NumPy数组，反之亦然，这十分简单。
Torch张量和NumPy数组将共享其基础内存位置，并且更改一个将更改另一个。
将Torch张量转换为NumPy数组
a = torch.ones(5)
print(a)
tensor([1., 1., 1., 1., 1.])
b = a.numpy()
print(b)
[1. 1. 1. 1. 1.]
看看numpy数组的值如何变化。
a.add_(1)
print(a)
print(b)
tensor([2., 2., 2., 2., 2.])
[2. 2. 2. 2. 2.]
将NumPy数组转换为Torch张量
查看更改numpy数组如何自动更改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)
除CharTensor之外，CPU上的所有张量都支持转换为NumPy并转回。
CUDA张量
张量可以使用.to方法移动到任何设备上。
# 让我们仅在CUDA可用时运行此单元格
# 我们将使用``torch.device``对象将张量移入和移出GPU
if torch.cuda.is_available():
device = torch.device("cuda") # CUDA设备对象
y = torch.ones_like(x, device=device) # 在GPU上直接创建张量
x = x.to(device) # 或只使用字符串``.to("cuda")``
z = x + y
print(z)
print(z.to("cpu", torch.double)) # ``.to`` 也可以一起改变dtype！
tensor([1.5033], device='cuda:0')
tensor([1.5033], dtype=torch.float64)
讨论区