什么是pytorch？1开始(翻译
Deep Learning with PyTorch: A 60 Minute Blitz
作者: Soumith Chintala
部分翻译：me
本内容包含:
- 在高级层面理解pytorch的tensor库以及神经网络。
- 训练一个用于图像分类的小的神经网络。
This tutorial assumes that you have a basic familiarity of numpy
阅读本文前，你需要具有numpy的知识。
当然需要安装好pytorch和torchvision库。
开始
张量
张量类似于 NumPy的N维数组, 添加了可以在GPU上进行加速计算。
from __future__ import print_function
import torch
构建一个5*3的矩阵，没有初始化：
x = torch.empty(5, 3) #全部都是0.0
print(x)
print(x.dtype) #数据类型 float32
print(type(x))
tensor([[0.0000e+00, 0.0000e+00, 0.0000e+00],
[0.0000e+00, 0.0000e+00, 0.0000e+00],
[0.0000e+00, 0.0000e+00, 0.0000e+00],
[0.0000e+00, 1.5190e-42, 0.0000e+00],
[0.0000e+00, 1.1628e+27, 0.0000e+00]])
torch.float32
<class 'torch.Tensor'>构建一个随机的矩阵
x = torch.rand(5, 3)
print(x)
tensor([[0.5689, 0.6057, 0.5855],
[0.4125, 0.2739, 0.7563],
[0.8674, 0.7034, 0.5811],
[0.9939, 0.5941, 0.6916],
[0.9194, 0.8064, 0.3800]])构建一个填充为零的矩阵和类型为长整型（long）：
x = torch.zeros(5, 3, dtype=torch.long)
print(x)
tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])直接从数据构建一个Tensor:
x = torch.tensor([5.5, 3])
print(x)
tensor([5.5000, 3.0000])
或者基于现有的张量创建一个新的。这些方法会复用输入张量的性质，例如：dtype，除非一个新的值提供给用户。
print(x)
x = x.new_ones(5, 3, dtype=torch.double) # new_* methods take in sizes #这个搞不懂不建议
print(x)
x = torch.randn_like(x, dtype=torch.float) # override dtype! #产生同样类型的建议使用torch.randn_like， torch.ones_like(tensor)
print(x)
tensor([5.5000, 3.0000])
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
tensor([[-0.9820, -0.4020, 0.6092],
[-0.1853, 0.6631, -0.9670],
[-0.1934, 1.3743, -0.5245],
[ 1.0157, -0.0022, -0.1337],
[-0.7105, 0.4798, 2.2316]])
获取张量的大小：
print(x.size())
h,w=x.size()
print(h,w)
torch.Size([5, 3])
5 3
注意：torch.Size实际上是一个元组, 所以支持所有元组的操作。.
运算
运算有多种语法格式。在下面的例子里，我们看加法运算。
加法运算的语法1：
x = torch.rand(5, 3)
y = torch.rand(5, 3)
print(x + y)
tensor([[-0.3402, 0.4303, 0.7074],
[ 0.4024, 1.4834, -0.7325],
[ 0.4572, 1.8391, -0.0452],
[ 1.2108, 0.9043, 0.6351],
[-0.6921, 0.9278, 2.4968]])加法运算的语法2：
print(torch.add(x, y))
tensor([[-0.3402, 0.4303, 0.7074],
[ 0.4024, 1.4834, -0.7325],
[ 0.4572, 1.8391, -0.0452],
[ 1.2108, 0.9043, 0.6351],
[-0.6921, 0.9278, 2.4968]])把结果作为参数：
result = torch.empty(5, 3)
torch.add(x, y, out=result)
print(result)
tensor([[-0.3402, 0.4303, 0.7074],
[ 0.4024, 1.4834, -0.7325],
[ 0.4572, 1.8391, -0.0452],
[ 1.2108, 0.9043, 0.6351],
[-0.6921, 0.9278, 2.4968]])加法：直接加到某参数：
# adds x to y
y.add_(x)
print(y)
注意：任何以“_”结尾的运算，都会改变张量自身。例如： x.copy_(y), x.t_(), 将会改变 x.
可以使用NUmpy里的切片方法对Tensor切片！
print(x[:, 1])
缩放：如果你想对张量缩放/改变维度，可以使用torch.view：
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())
v=x.view(-1) #-1直接把他拉直了。
print(v.size())
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8]) torch.Size([16])
如果你有一个元素的张量，使用.item() 方法来得到其Python自身的数值类型。
x = torch.randn(1)
print(x)
print(x.item())
print(x[0])
print(x[0].item())
tensor([0.4783]) 0.4782998859882355 tensor(0.4783) 0.4782998859882355
后续阅读:
torch有100+ 个张量运算符, 包括转置，切片，数学运算，线性代数，随机数，等，参见： https://pytorch.org/docs/stable/torch.html
连接NumPy
在numpy的数组和torch的tensor 间的转换非常容易。
torch的tensor和numpy的数组共享内部的存储单元，改变一个，另一个也改变。例子：
将Torch 张量转为一个Numpy数组
a = torch.ones(5) print(a)
Out:
tensor([1., 1., 1., 1., 1.])
b = a.numpy() print(b)
Out:
[1. 1. 1. 1. 1.]
可以看到数组里的值发生变换了，也就说一个张量和与之对应的numpy数组是共享内存的：
a.add_(1) print(a) print(b)
Out:
tensor([2., 2., 2., 2., 2.]) [2. 2. 2. 2. 2.]
将 NumPy 数组to Torch 张量
例子：
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)
除CharTensor外，所有CPU上的张量支持与numpy 数组间的转换。
CUDA 张量
张量可以被移动到任何设备上，通过.to方法。
# let us run this cell only if CUDA is available 检测CUDA是否可用
# We will use ``torch.device`` objects to move tensors in and out of GPU 可以使用torch.device对象来移动对象
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!
Out:
tensor([2.9218], device='cuda:0') tensor([2.9218], dtype=torch.float64)
这里注意的是torch.cuda.is_available() torch.device('cuda') device参数，.to(device)
