本系列是PyTorch官网Tutorial Deep Learning with PyTorch: A 60 Minute Blitz 的翻译和总结。
下载本文的Jupyter NoteBook文件：60min_01_PyTorch Overview.ipynb
文章目录
Tensor 张量
Tensor类似于Numpy的ndarray，但不同的是，Tensor可以在GPU上被加速。
from __future__ import print_function
import torch
生成一个未初始化的 5×3 矩阵：
x = torch.empty(5,3)
print(x)
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
生成一个随机矩阵：
x = torch.rand(5,3)
print(x)
tensor([[0.4907, 0.1470, 0.9752],
[0.9518, 0.6973, 0.4775],
[0.5643, 0.6586, 0.3142],
[0.2364, 0.8435, 0.6187],
[0.3253, 0.5903, 0.9939]])
生成一个0矩阵，数据类型为long
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]])
直接从数据创造tensor
x = torch.tensor([6.7,6,7])
print(x)
tensor([6.7000, 6.0000, 7.0000])
在已有tensor的基础上创建tensor。这些方法将会继承原tensor的属性，比如数据类型，除非新的值由用户给出。
print('x:\n',x)
y = x.new_ones(5, 3, dtype=torch.double)
print('y:\n',y)
x = torch.randn_like(x, dtype=torch.float) # dtype被改写，但是结果继承了size。
print(x)
x:
tensor([6.7000, 6.0000, 7.0000])
y:
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
tensor([-0.3186, 0.5506, 0.4940])
获得tensor的size
print(x.size())
torch.Size([3])
Operations 操作
相加
PyTorch中有许多种相加语法：
**相加：**语法1
x = torch.rand(5, 3)
y = torch.rand(5, 3)
print(x + y)
tensor([[0.9943, 0.3976, 0.6645],
[0.6796, 1.1703, 1.2389],
[1.5879, 1.1208, 1.5912],
[1.2165, 0.8195, 1.0364],
[1.2178, 1.3195, 1.1736]])
**相加：**语法2
print(torch.add(x,y))
tensor([[0.9943, 0.3976, 0.6645],
[0.6796, 1.1703, 1.2389],
[1.5879, 1.1208, 1.5912],
[1.2165, 0.8195, 1.0364],
[1.2178, 1.3195, 1.1736]])
**相加：**将一个tensor作为out参数，用以输出。
result = torch.empty(5,3)
torch.add(x,y,out=result)
print(result)
tensor([[0.9943, 0.3976, 0.6645],
[0.6796, 1.1703, 1.2389],
[1.5879, 1.1208, 1.5912],
[1.2165, 0.8195, 1.0364],
[1.2178, 1.3195, 1.1736]])
**相加：**替代
y.add_(x)
print(y)
tensor([[0.9943, 0.3976, 0.6645],
[0.6796, 1.1703, 1.2389],
[1.5879, 1.1208, 1.5912],
[1.2165, 0.8195, 1.0364],
[1.2178, 1.3195, 1.1736]])
Note:
任何让tensor被覆盖的方法的名称都以
_结尾。例如x.copy_(y),x.t_()等。
索引
NumPy中的索引方法可以使用：
print(x[:, 1])
tensor([0.0200, 0.4981, 0.2466, 0.7497, 0.8315])
Resizing
想要改变tensor的规模，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])
取值
如果你有一个单元素的tensor，.item()方法可以取值。
x = torch.randn(1)
print(x)
print(x.item())
tensor([-0.7093])
-0.709314227104187
与NumPy的沟通桥梁
将Torch张量转换为NumPy数组很容易，反之亦然。
Torch张量将会和NumPy数组共享同一个内存位置（Torch张量在CPU上的情况下），其中一个发生改变，另一个也会随之改变。
将Torch Tensor转换为NumPy数组
a = torch.ones(5)
print(a)
b = a.numpy()
print(b)
a.add_(1)
print(a)
print(b)
tensor([1., 1., 1., 1., 1.])
[1. 1. 1. 1. 1.]
tensor([2., 2., 2., 2., 2.])
[2. 2. 2. 2. 2.]
将NumPy数组转换为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)
除了CharTensor，其他在CPU上的Torch张量均支持与NumPy数组的相互转换。
CUDA Tensors
使用.to()方法，可以将张量转移到其他设备。
if torch.cuda.is_available():
device = torch.device("cuda") # 创建CUDA设备对象
y = torch.ones_like(x, device=device) # 直接在GPU上
x = x.to(device)
# x = x.to("cuda") 也可以这么写
z = x + y
print(z)
print(z.to("cpu", torch.double)) # ``.to`` 方法可以同时转换数据类型
tensor([0.2907], device='cuda:0')
tensor([0.2907], dtype=torch.float64)