データ操作
1つの インポートトーチ 2 3 torch.manual_seed（0） 4 torch.cuda.manual_seed（0） 5 プリント（トーチ。__version__） ＃1.3.1
作成テンソル
1つの ＃は、5×3のテンソル作成初期化されていない 2 X = torch.emptyを（5 ,. 3 ） 。3 印刷（X）を 4 。5 ＃テンソル（[1.3563e-。19 ,. 19-1.3563e、7.9717e-10]、 図6 ＃ [5.8270e-10 5.8270e-10 4.9153e-14]、 7 ＃ [1.3563e-。19、1.8578e-01 3.9157e-02]、 8 ＃ [4.7429e + 30、+ 35 2.2639e、図31は、1.8971e] +である 。9 ＃ [1.4587e-。19 ,. 19-1.1703e、1.5637e-01]]）
＃ランダム初期化テンソル X = torch.rand（5 ,. 3 ） プリント（X）
＃テンソル（[0.4963、0.7682、0.0885]、 ＃[0.1320、0.3074、0.6341]、 ＃[0.4901、0.8964、0.4556]、 ＃【0.6323、0.3489、0.4017]、 ＃[0.0223、0.1689、0.2939]]）
＃全て0テンソルlong型作成 X = torch.zerosを（5 ,. 3、DTYPE = torch.long） プリント（X）
＃テンソル（[0、0、0]、 ＃[0、0、0]、 ＃[0、0、0]、 ＃[0、0、0]、 ＃[0、0、0]）
＃直接初期化データ X = torch.tensor（[5.5 ,. 3 ]） プリント（X）
＃テンソル（[5.5000、3.0000]）
＃従来のテンソルによって作成 X = x.new_ones（5 ,. 3、DTYPE = torch.float64） ＃返さテンソルは、同じデフォルトtorch.dtypeとtorch.deviceを有する プリント（X）を X = torch.randn_like（X、DTYPE = torch.float） ＃は、新しいデータ型を指定します 印刷（X）を
＃テンソル（[1、1、1] ＃[1、1、1] ＃[1、1、1] ＃[1、1、1] ＃[1、1、1]]、DTYPE = torch.float64） ＃テンソル（[0.6035、0.8110、-0.0451]、 ＃[0.8797、1.0482、-0.0445]、 ＃[-0.7229、2.8663、-0.5655]、 ＃[0.1604、-0.0254、1.0739]、 ＃[2.2628、-0.9175、-0.2251]）
＃形状や大きさによって買収テンソル形状（） プリント（x.size（）） プリント（x.shape）
＃torch.Size（[5,3]） ＃torch.Size（[5,3]）
操作
＃加算器1： （5 ,. 3 Y = torch.rand ） プリント（X + Y）
＃加算器2： 印刷（torch.add（X、Y））
＃出力の指定 結果torch.empty =（5 ,. 3 ） torch.add（X、Y、アウト = 結果） プリント（結果）
＃加法3：インプレース 位yにXを追加 y.add_（X） の印刷（Y）
指数
attension：共有メモリ、すなわちA修正で元のデータのうち、インデックスが得られるが、他にも変更されます
X = Y [0 ,:] ＃行列Xの最初の行 そして+ = 1 印刷（Y） プリント（X [0 ,:]） ＃元のテンソルも変更されて
＃変更形状ビュー（） Y = x.view（15 ） Z = x.view（-1、5 ） プリント（x.size（）、y.size（）、z.size（））
attension：ビューは（）新しいテンソルとテンソル元の共有メモリを返します。
＃もし私たちは、最初のクローンコピーを作成し、メモリを共有されていない[表示 x_cp = x.clone（）。表示（15 ） X - = 1枚の プリント（X） プリント（x_cp）
＃アイテム（）テンソルを変換する機能はスカラー数のPythonである X torch.randn =（1 ） プリント（X） 印刷（x.item（））
ブロードキャストメカニズム
＃二つの異なる形状放送機構がテンソル引き起こし得る X = torch.arange（1 ,. 3）.viewを（1、2 ） 印刷（X） そして = torch.arange（1、4）.view（3,1 ） プリント（及び） プリント（X + Y）
そしてテンソル変換numpyの
numpyの（）とfrom_numpy（）彼女が同じメモリ上に生成し、テンソルnumpyの配列が実際に使用
＃テンソル- > numpyの A = torch.ones（5 ） B = a.numpy（） プリント（B） + = 1枚の プリント（B） B + = 1枚の プリント（B）
＃numpyの- >テンソル インポートNPとしてnumpyの A = np.ones（5 ） B = torch.from_numpy（） プリント（B） + = 1枚の プリント（B） B + = 1枚の プリント（B）
＃直接データのコピーであるnumpyのテンソルを変換し、元のデータがもはやテンソル共有メモリではない返すようにtorch.tensor（）アレイと ＃変換するときtorch.tensor有する（）共有されていないメモリ C = トーチ。テンソル（）+ = 1枚の プリント（C）
テストのGPUバージョンはPytorchかどうかであります
＃のみGPUバージョン上で実行されます IF ）（torch.cuda.is_available： デバイス = torch.device（" CUDA "） ＃GPU Y = torch.ones_like（X、デバイス=デバイス） ＃GPU上テンソルを作成する X = x.to（デバイス） ＃はx.to（「CUDAと等価です"） Z = X + Yの 印刷（Z） プリント（z.to（" CPU 」、torch.double））