01、PyTorch是什么?

东方耀

PyTorch是什么?
基于Python的科学计算包，服务于以下两种场景:


作为NumPy的替代品，可以使用GPU的强大计算能力
提供最大的灵活性和高速的深度学习研究平台




Tensors与Numpy中的 ndarrays类似，但是在PyTorch中 Tensors 可以使用GPU进行计算


根据现有的张量创建张量。 这些方法将重用输入张量的属性，例如， dtype，除非设置新的值进行覆盖


x = x.new_ones(5, 3, dtype=torch.double)      # new_* 方法来创建对象




使用size方法与Numpy的shape属性返回的相同，张量也支持shape属性
`torch.Size`` 返回值是 tuple类型, 所以它支持tuple类型的所有操作


# adds x to y
y.add_(x)


任何 以``_`` 结尾的操作都会用结果替换原变量. 例如: ``x.copy_(y)``, ``x.t_()``, 都会改变 ``x``.


torch.view: 可以改变张量的维度和大小


译者注：torch.view 与Numpy的reshape类似


NumPy 转换
将一个Torch Tensor转换为NumPy数组是一件轻松的事，反之亦然。


Torch Tensor与NumPy数组共享底层内存地址，修改一个会导致另一个的变化。


NumPy Array 转化成 Torch Tensor


使用from_numpy自动转化


所有的 Tensor 类型默认都是基于CPU， CharTensor 类型不支持到 NumPy 的转换.




使用.to 方法 可以将Tensor移动到任何设备中


device = torch.device("cuda")
x = x.to(device)       # 或者直接使用``.to("cuda")``将张量移动到cuda中
z.to("cpu", torch.double)

东方耀

张量的英文是Tensor，它是PyTorch里面基础的运算单位,与Numpy的ndarray相同都表示的是一个多维的矩阵。 与ndarray的最大区别就是，PyTorch的Tensor可以在 GPU 上运行，而 numpy 的 ndarray 只能在 CPU 上运行，在GPU上运行大大加快了运算速度

东方耀

张量的英文是Tensor，它是PyTorch里面基础的运算单位,与Numpy的ndarray相同都表示的是一个多维的矩阵。
与ndarray的最大区别就是，PyTorch的Tensor可以在 GPU 上运行，而 numpy 的 ndarray 只能在 CPU 上运行，在GPU上运行大大加快了运算速度

东方耀

在同构的意义下，第零阶张量 （r = 0） 为标量 （Scalar），
第一阶张量 （r = 1） 为向量 （Vector），
第二阶张量 （r = 2） 则成为矩阵 （Matrix），
第三阶以上的统称为多维张量。

其中要特别注意的就是标量

东方耀

Tensor的基本数据类型有五种：

32位浮点型：torch.FloatTensor。 (默认)
64位整型：torch.LongTensor。
32位整型：torch.IntTensor。
16位整型：torch.ShortTensor。
64位浮点型：torch.DoubleTensor。
除以上数字类型外，还有 byte和chart型

东方耀

Tensor和numpy对象共享内存，所以他们之间的转换很快，而且几乎不会消耗什么资源。但这也意味着，如果其中一个变了，另外一个也会随之改变

东方耀

初始化
Pytorch中有许多默认的初始化方法可以使用
# 使用[0,1]均匀分布随机初始化二维数组
rnd = torch.rand(5, 3)
one = torch.ones(2, 2)
zero=torch.zeros(2,2)
#初始化一个单位矩阵，即对角线为1 其他为0
eye=torch.eye(2,2)
PyTorch中对张量的操作api 和 NumPy 非常相似，如果熟悉 NumPy 中的操作，那么 他们二者 基本是一致的