Deep Learning with PyTorch: A 60 Minute Blitz
0.基础准备
1.安装torchvision
conda install torchvision -c pytorch
2.更新了一堆，以下是torchvision文档
https://pytorch.org/docs/master/torchvision/
1.What is PyTorch?
0.导入模块
https://blog.csdn.net/xiaotao_1/article/details/79460365（py27与py3的print不兼容怎么办？）
from __future__ import print_function
import torch
1.Tensor
torch.tensor类似numpy.ndarrays，但是写出来的语法可以用GPU加速
1.创建一个5*3没有初始化的矩阵
x = torch.empty(5, 3)
print(x)
2.创建一个5*3随机初始化的矩阵
x = torch.rand(5, 3)
print(x)
3.创建一个类型为long的0矩阵
x = torch.zeros(5, 3, dtype=torch.long)
print(x)
4.根据给定数据值创建张量
x = torch.tensor([5.5, 3])
print(x)
5.根据已有的张量创建新的张量
该方法会使用输入张量的属性，如dtype，除非用户新赋值
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
6.获得矩阵的大小
torch.size是tuple，可以进行tuple一切操作
print(x.size())
2.Operations
1.加法操作符
1.方法一
y = torch.rand(5, 3)
print(x + y)
2.方法二
print(torch.add(x, y))
使用参数out定义输出张亮变量，方便继续操作
result = torch.empty(5, 3)
torch.add(x, y, out=result)
print(result)
3.方法三
注意：任何一个原地改变张量的操作符
# adds x to y
y.add_(x)
print(y)
2.辅助操作
1.输出某一列向量的值
print(x)
print(x[:, 1])
2.将张量重新塑形（使用torch.view）
x = torch.randn(4, 4)
#变成16行
y = x.view(16)
#变成n行8列
z = x.view(-1, 8) # the size -1 is inferred from other dimensions
print(x.size(), y.size(), z.size())
print(x, y, z)
3.提取单元素张量数值
如果有一个张量只有一个元素，使用.item()可以将其数值作为python数字
x = torch.randn(1)
print(x)
print(x.item())
3.关于操作符部分，查看文档学习更多
https://pytorch.org/docs/stable/torch.html
3.NUMPY BRIDGE
torch.tensor<->numpy.array
1.Torch Tensor->NumPy Array
a = torch.ones(5)
print("a =", a)
b = a.numpy()
print("b =", b)
变更tensor的数值（torch tensor和numpy array共享表层存储空间，改一个数值，剩下的都会被改）
a.add_(1)
print("a =", a)
print("b =", b)
2.NumPy Array->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)
4.CUDA TENSORS
1.使用.to方法，可以将向量移至任何设备
2.使用torch.device方法，能将向量移进和移出GPU
x = torch.tensor(0.163)
if torch.cuda.is_available():
device = torch.device("cuda") # 创建一个a CUDA device
y = torch.ones_like(x, device=device) # 直接在GPU上创建tensor，并不懂one_like代表什么
x = x.to(device) # or just use strings ``.to("cuda")``
z = x + y
print(x)
print(y)
print(z)
print(z.to("cpu", torch.double)) # ``.to`` 可以改变dtype类型
2.AUTOGRAD: AUTOMATIC DIFFERENTIATION
3.NEURAL NETWORKS
4.TRAINING A CLASSIFIER
5.OPTIONAL: DATA PARALLELISM
6.答疑
1.什么是dtype
[答] 这个是numpy里面的， 数组元素的类型可以通过dtype属性获得，主要查看array 里面的数据类型