pytorch入门

参考   pytorch入门 - 云+社区 - 腾讯云

1、Tensor(张量)

Pytorch里面处理的最基本的操作对象就是Tensor，Tensor是张量的英文，表示的是一个多维的矩阵，比如零维就是一个点，一维就是向量，二维就是一般的矩阵，多维就相当于一个多维的数组，这和numpy是对应的，而且Pytorch的Tensor可以和numpy的ndarray相互转换，唯一不同的是Pytorch可以在GPU上运行，而numpy的ndarray只能在CPU上运行。

我们先介绍一下一些常用的不同数据类型的Tensor，有32位浮点型torch.Float Tensor、64位浮点型torch.DoubleTensor、16位整型torch.Shor tTensor、32位整型 torch.IntTensor和64位整型torch.LongTensor。我们可以通过下面这样的方式来定义一个三行两列给定元素的矩阵，并且显示出矩阵的元素和大小：

a = torch.Tensor([[2, 3],[4, 8],[7, 9]])
print('a is: {}'.format(a))
print('a size is {}'.foramt(a.size()))

需要注意的是 torch.Tensor默认的是torch.FloatTensor数据类型，也可以定义我们想要的数据类型，就像下面这样：

b = torch.LongTensor([[2, 3],[4, 8],[7, 9]])
print('b is : {}'.foramt(b))

当然也可以创建一个全是0的空Tensor或者取一个正太分布作为随机初始值：

c = torch.zeros((3, 2))
print('zero tensor: {}'.foramt())
 
d = torch.randn((3,2))
print('noraml randon is : {}'.foramt(d))

我们也可以像numpy一样通过索引的方式取得其中的元素，同时也可以改变它的值，比如将a的第一行第二列改变为100。

a[0, 1] = 100
print('changed a is: {}'.format(a))

除此之外，还可以在Tensor与numpy.ndarray之间相互转换：

numpy_b = b.numpy()
print('cover to many is \n {}'.foramt(numpy_b))
 
e = np.array([[2, 3],[4, 5]])
torch_e = torch.from_numpy(e)
print('from numpy tp torch.Tensor is {}'.format(torch_e))
f_torch_e = torch_e.float()
print('change data type to float tensor: