【PyTorch】——创建张量、展示、改变大小、array和tensor的转换、Autograd求导

一、引言

     深度学习框架武林盟主之争的历历史，大概是这个样子的。15年底之前Caffe是老大哥，随着Tensorflow的诞生，霸占江湖数载，19年起无论从学术界还是工程界PyTorch已经霸占了半壁江山！

二、张量和矩阵的联系

一维张量是向量，二维张量是矩阵，张量可以是多维的，张量包含矩阵。

三、创建张量

（1）构建一个6x3的未初始化的矩阵

import torch
x=torch.empty(6,3)
x

结果：

 （2）创建随机矩阵

x=torch.rand(5,3)
x

结果：

（3）初始化零矩阵dtype是long类型

x=torch.zeros(5,3,dtype=torch.long)
x

结果;

 

四、size()、view（）等同于numpy中的shape()、reshape() 

 

x=torch.zeros(5,3,dtype=torch.long)
x.size()

结果：

x=torch.randn(4,4)
y=x.view(16)
z=x.view(-1,8) #-1代表自动进行计算16/8=2这个意思
print(x.size(),y.size(),z.size())

 结果：

五、tensor和array相互转换 

（1）torch转array

a=torch.ones(5)
b=a.numpy()
b

结果：

（2）array转tenor

import numpy as np
a=np.ones(5)
b=torch.from_numpy(a)
b

 结果：

 六、Autograd: 自动求导

当完成(正向)计算之后， 我们可以调用backward()，PyTorch会自动的把所有的梯度都计算好。与这个tensor相关的梯度都会累加到它的grad属性里。

如果不想计算这个tensor的梯度，我们可以调用detach()，这样它就不会参与梯度的计算了。

 

x=torch.rand(1)
b=torch.rand(1,requires_grad=True)#设置了代表可以求导，不设置代表常量
w=torch.rand(1,requires_grad=True)
y=w*x
z=y+b
z.backward()
w.grad
b.grad
x

结果：