Pytorch入门

import torch

建立一个7*2的tensor x；建立一个7*2随机初始化的tensor y

x = torch.Tensor(7,2)
y = torch.rand(7,2)

两个tensor求和(其中第三种是将x加给y，即y = y+x)：

x+y
torch.add(x,y)
y.add_(x)

得到tensor的size:

print (tensor.size())

reshape/resize tensor:

x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8)  
print(x.size(), y.size(), z.size()) 

out_put: torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

tensor 与 numpy array 互转(注意改变a的值时，b也会相应改变)：

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

tensor 可以在GPU上进行加速：

if torch.cuda.is_available():
    x = x.cuda()
    y = y.cuda()
    print (x + y)

***自动求导***

*autograd.Variable是autograd包的核心类.它包装了张量(Tensor),支持几乎所有的张量上的操作.一旦你完成你的前向计算,可以通过.backward()方法来自动计算所有的梯度.

你可以通过.data属性来访问变量中的原始张量,关于这个变量的梯度被计算放入.grad属性中

*对自动求导的实现还有一个非常重要的类,即函数(Function).

变量(Variable)和函数(Function)是相互联系的,并形成一个非循环图来构建一个完整的计算过程.每个变量有一个.grad_fn属性,它指向创建该变量的一个Function,用户自己创建的变量除外,它的grad_fn属性为None.

import torch
from torch.autograd import Variable

创建一个变量，并对其做运算：

x = Variable(torch.ones(2, 2), requires_grad=True)
y = x + 2

由于y是由一个运算创建的，则y有 grad_fn

*现在我们看一下自动求导的流程：

x = Variable(torch.ones(3, 5), requires_grad=True)
print(x)
y = (3*(x+2)*(x+2)+10).mean()
print(y)
y.backward()
print (x.grad) #y对x的梯度

Output:

Variable containing:
 1  1  1  1  1
 1  1  1  1  1
 1  1  1  1  1
[torch.FloatTensor of size 3x5]

Variable containing:
 37
[torch.FloatTensor of size 1]

Variable containing:
 1.2000  1.2000  1.2000  1.2000  1.2000
 1.2000  1.2000  1.2000  1.2000  1.2000
 1.2000  1.2000  1.2000  1.2000  1.2000
[torch.FloatTensor of size 3x5]

由output和x的关系得：

当变量x为3*5的全1tensor时，x.grad为一个3*5的，值为1.2的tensor