pytorch 0.4.0（一）：基本tensor运算

pytorch的0.4.0版本相对0.3.0做了一些改进，总体上使用更加方便。

不加初始化地构建矩阵，使用torch.empty(row, column).

随机初始化矩阵，使用torch.rand(row, column).

可以和numpy中定义一些矩阵一样，如

x = torch.zeros(5, 3, dtype=torch.float)
x = torch.tensor([5.5, 3]) #构建指定元素的矩阵

可以在已有的tensor基础上新建tensor:

x = x.new_ones(5, 3, dtype=torch.double)      # new_* 方法定义新的tensor
x = torch.randn_like(x, dtype=torch.float)    # 重写数据类型，尺寸保持一致     

x.size()的结果是torch.Size([rows, columns])， torch.Size  实际上是一个元组, 因而支持元组操作。x.size(0)为行数，列则为1.

加法的语法：直接使用‘+’号；torch.add(x, y); torch.add(x, y, out=result)。

任何要原地改动tensor的操作，需要加 _. 比如: x.copy_(y), x.t_(), x.add_(y)will change x.

索引方法和numpy一样，如 x[:, 1]。

使用torch.view(v1,v2,...)来resize或者reshape tensor，例如

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())
Out: torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

如果一个tensor只有一个元素，那么可以使用 .item() 方法取出这个元素作为普通的python数字。

tensor和numpy之间的转化与0.3.0版本一样，由tensor向numpy转化使用例子如下，注意这种操作的结果是tensor和numpy始终同变化：

a = torch.ones(5)
print(a)
Out: tensor([ 1.,  1.,  1.,  1.,  1.])
b = a.numpy()
print(b)
Out: [1. 1. 1. 1. 1.]
a.add_(1)
print(a)
print(b)
Out: tensor([ 2.,  2.,  2.,  2.,  2.])
           [2. 2. 2. 2. 2.]

由numpy向tensor转化的例子如下，二者依然是同步变化的（即改变其中一个，另一个自动变化）：

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)
Out: [2. 2. 2. 2. 2.]
tensor([ 2.,  2.,  2.,  2.,  2.], dtype=torch.float64)

tensor可以通过使用   .to  方法移动到任何设备上，这是0.4.0版本的一个优点。

# 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!