pytorch学习历程1， pytorch基础知识要点autograd，detach等

本教程整理自书籍《深度学习框架PyTorch：入门与实践》

1. torch.Size 是python tuple的子类，.size() 查看tensor的大小

2. x.add_(y)会改变x本身，x.add(y)不会改变x本身

3. tensor 和 numpy的转换

      numpy = tensor.numpy()
      tensor = torch.from_numpy(numpy_obj)
      # example
      import numpy as np
      a = np.ones(5)
      b = t.from_numpy(a) # Numpy->Tensor
      print(a)
      print(b) 
      # [1. 1. 1. 1. 1.]
      #tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
   

   note: tensor 和 numpy共享一块内存，其中一个改变会使得另一个也改变

   b.add_(1) # 以`_`结尾的函数会修改自身
   print(a)
   print(b) # Tensor和Numpy共享内存
   #[2. 2. 2. 2. 2.]
   #tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
   

4. 标量(0维tensor)读取
   scalar.item()读取0维tensor的值

      scalar = b[0]
      scalar.size()
      print(scalar)
      # tensor(2., dtype=torch.float64)
      print(scalar.item())
      # 2.0
   

   note：

      tensor = torch.tensor([2]) #一维tensor，虽然只有一个值
      print(tensor.size(), scalar.size())
      #torch.Size([1]), torch.Size([])
      # 但是只有一个元素的tensor也可以调用`torch.item()`
      print(tensor.item(), scalar.item())
      # (2, 2.0)
   

5. torch.tensor() 与np.array()使用方法几乎相同
   但是tenor()总会进行数据拷贝，即新tensor和原来的数据不再共享内存，所以如果想共享内存的话，使用tensor.detach()来新建一个tensor或者使用torch.from_numpy()

      tensor = t.tensor([3,4]) # 新建一个包含 3，4 两个元素的tensor
      old_tensor = tensor
      new_tensor = t.tensor(old_tensor)
      new_tensor[0] = 1111
      print(old_tensor, new_tensor)
      # tensor([3, 4]), tensor([1111,    4])
      # 1.0.0 版本推荐使用以下语法从原tensor中拷贝
      new_tensor_recommmeded = old_tensor.clone().detach()
      # or 新tensor可以求梯度
      new_tensor_recommmeded_requires_grad = old_tensor.clone().detach().requires_grad_(True)
      
      # 共享内存
      new_tensor = old_tensor.detach()
      new_tensor[0] = 1111
      print(old_tensor, new_tensor)
      # tensor([1111,    4]), tensor([1111,   4])
   

   6.autograd
   从0.4起， tensor支持Variable实现的自动微分功能，Variable(tensor)实际上啥都没操作。

   需要使用tensor的autograd功能，只需设置tensor.required_grad = True
   note: tensor有三个属性在反向传播中比较重要

   1. tensor： 保存本身的值
   2. grad： 保存反向传播的梯度值
   3. grad_fn: 保存反向传播的计算函数

      #为tensor设置 requires_grad 标识，代表着需要求导数
   
      # pytorch 会自动调用autograd 记录操作
      x = t.ones(2, 2, requires_grad=True)
   
      # 上一步等价于
      # x = t.ones(2,2)
      # x.requires_grad = True
   
      x
      # tensor([[ 1.,  1.],
      #  [ 1.,  1.]], requires_grad=True)
      y = x.sum()
      # tensor(4., grad_fn=<SumBackward0>)
      y.grad_fn  #指向一个function对象，该对象用来反向传播输入的梯度
      # <SumBackward0 at 0x25f019eb7b8>
      y.backward()  #反向传播，计算梯度
      # y = x.sum() = (x[0][0]+x[0][1]+x[1][0]+x[1][1]) 可以看出每个值的梯度为1
      x.grad   #保留x每一个变量的梯度值
      # tensor([[ 1.,  1.],
      #  [ 1.,  1.]]) 
   

   note: grad在每一次运行反向传播时，都会累加之前grad保留的梯度，所以反向传播之前需要把梯度清零

      y.backward()
      x.grad
      # tensor([[ 2.,  2.],
      # [ 2.,  2.]])
      # 以下划线结束的函数是inplace操作，会修改自身的值
      x.grad.zeor_()
      y.backward()
      x.grad()
      # 
      # tensor([[1., 1.],
      #   [1., 1.]])