【PyTorch入门】（一）PyTorch安装、Tensor理解、与NumPy互相转换

本系列介绍了入门PyTorch所需要了解的内容。本文主要参考文献：《Deep Learning with PyTorch: A 60 Minute Blitz》（PyTorch深度学习60分钟快速入门），更新于2019.06.06。

什么是PyTorch

PyTorch是一个基于Python的科学计算包（scientific computing package），主要实现两个目的：

• 为发挥GPU效果而替代NumPy；
• 提供灵活性和速度的深度学习研究平台。

安装

入门PyTorch首先要将其安装在电脑上。打开官网，在下图中依次点击选择适合电脑环境的配置。

第一个PyTorch Build选项，如果没有特殊需要，建议选择Stable。第二行为系统，根据电脑系统选择即可。
第三行，如果没有特殊需要，安装包建议通过Conda或者Pip安装，比较稳定。
第四行，选择编程语言（Python或C++）。
第四行，如果有GPU的话，选择GPU上安装的CUDA版本；如果没有安装CUDA，选择None。

都选好以后，复制最下面一行Run this Command后面显示的安装命令，在终端运行即可。

Tensors（张量）

Tensors与NumPy中的ndarrays很相似，区别在于Tensors可以支持GPU上的加速计算。

定义一个Tensor

本节给出了定义Tensor中的各类命令。首先打开终端，输入Python进入Python界面

1. 定义一个尺寸为5x3的未初始化矩阵

输入命令：

import torch

x = torch.empty(5,3)	#定义一个未初始化的tensor
print(x)		#查看tensor

终端结果：

2. 定义一个尺寸为5x3的随机初始化的矩阵

输入命令：

x = torch.ran(5,3)
print(x)

终端结果：

3. 定义一个0初始化的数据类型为long的矩阵

输入命令：

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

终端结果：

4. 以数据或现存tensor定义一个tensor

输入命令：

x = torch.tensor([5.5,3])
print(x)

终端结果：

或者也可以基于现存的tensor创建新的tensor。

除非用户提供了新的值，否则这些方法会复用输入tensor的性质，比如dtype。

输入命令：

x = x.new_ones(5,3,dtype=torch.double		# new_*方法获得尺寸
print(x)

x = torch.randn_like(x,dtype=torch.float)		#替换dtype
print(x)		# 结果具有相同的尺寸

终端结果：

注：这里用到了new_ones和randn_like两个函数，torch中还存在两个与它们很相似的函数，分别为torch.ones和torch.randn。对应函数之间的功能其实是相同的，只不过前两个可以从已有tensor的基础上快速生成与之属性相同的新tensor；而后两个函数则是直接定义一个新的tensor。

后两个函数的示例如下：

5. 获取tensor尺寸

输入命令：

print(x,size())

终端结果：

需要注意的是，这里返回的torch.Size其实是一个tuple类型的数据，因此支持所有tuple操作。

操作

操作语法有很多，这里以求“相加”为例。

加法语法1

输入命令：

y = torch.rand(5,3)
print(x+y)

终端结果（已根据前面定义好了x）：

加法语法2

输入命令：

print(torch.add(x,y))

终端结果：

加法语法：给定输出tensor

输入命令：

result = torch.empty(5,3)
torch.add(x,y, out=result)
print(result)

终端结果：

原位相加（替换tensor原始数值）

输入命令：

y.add_(x)		#将x加到y上
print(y)

终端结果：

注： 原位改变tensor的操作都会在词尾加一个_，比如x.copy_(y)和x.t_()，都会改变x的值。其中，.t()操作的作用是，将tensor重新排布，使其行数最小。

也可以用类似NumPy的标准下标实现所有附加功能。输入命令：

print(x[:,1])

终端结果：

尺度变化

可以用torch.view实现大小和形状的调整（但元素总数需要前后一致）。输入命令：

x = torch.randn(4,4)		#与torch.rand的区别是，torch.rand服从均匀分布，torch.randn服从正态分布
y = x.view(16)
z = x.view(-1,8)		#尺寸-1代表根据其他维度自动调整
print(x.size(), y.size(), z.size())

终端结果：

获取Python格式数据

如果tensor中只有一个元素，可以用.item()获取Python格式的数据：

输入命令：

x = torch.randn(1)
print(x)
print(x.item())

终端结果：

注意，这个命令只能对单一元素的tensor使用。

更多操作

包括转置、下标、切片、数学操作、线性变换、随机数等100多个tensor操作可以看这里。

NumPy转换

将Torch张量（tensor）与NymPy的数组（array）相互转换也是很容易的。如果Torch Tensor在CPU上的话，Torch Tensor和NumPy array共享底层存储位置，并且可以互相转换。

将Torch Tensor转换成NumPy Array

输入命令：

a = torch.ones(5)
print(a)

b = a.numpy()
print(b)

终端结果：

查看NumPy array如何随tensor变换值。输入命令：

a.add_(1)
print(a)
print(b)

终端结果：

将NumPy Array转换成Torch Tensor

np array可以自动转换成Torch Tensor。输入命令：

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a,1,out=a)
print(a)
print(b)

终端结果：

所有CPU上的Tensor（除了CharTensor）都支持与NumPy之间的相互转换。

CUDA Tensors

Tensors也可以通过.to命令移动到任何设备上。输入命令：

# 只在CUDA存在时运行这个模块
# 使用 ``torch.device`` 将tensor移入和移出GPU
if torch.cuda.is_available():
    device = torch.device("cuda")          # 一个目标设备CUDA
    y = torch.ones_like(x, device=device)  # 直接在GPU上创建一个tensor
    x = x.to(device)                       # or just use strings ``.to("cuda")``
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))       # ``.to`` 命令也可以同时转换dtype

终端输出：

脚本总运行时间：6.503秒。

更多内容，欢迎加入星球讨论。