Pytorch的入门使用

目标

1.知道张量和Pytorch中的张量
2.知道pytorch中如何创建张量
3.知道pytorch中tensor的常见方法
4.知道pytorch中tensor的数据类型
5.知道pytorch中如何实现tensor在cpu和cuda之间的转化

1.张量 Tensor

0阶张量（scalar）：标量、常数，0-D Tensor
1阶标量（vector）：向量，1-D Tensor
2阶标量（matrix）：矩阵，2-D Tensor
…
N阶张量
各种数据称之为张量

2.Pytorch中创建张量

torch.tensor(list)#例如，torch.tensor([[1.,-1.],[1.,-1.]])，有几个同类的[]就是几阶张量
torch.empty(3,4)#创建空数组
torch.ones([3,4])#全部为1的3行4列的矩阵
torch.zeros([3,4])#全部为0的3行4列的矩阵
torch.rand([3,4])#创建3行4列的随机整数的tensor，范围是0~1
torch.randint(low=0,high=10,size=[3,4])#创建3行4列的随机整数的tensor，区间为[low,high)
torch.randn([3,4])

3.张量的方法和属性

基础操作：

tensor.item()#获取tensor中的数据（当tensor中只有一个数据可用）
tensor.numpy()#转换成numpy数组
tensor.size()#获取形状
tensor.size(int m)#获取第m维度的形状，从0到n-1，其中-1表示最后一个维度
tensor.view((3,4))#转换形状，类似于numpy中的reshape，是一种浅拷贝
tensor.dim()#获取维度
tensor.max()#获取最大值
tensor.min()#获取最小值
tensor.std()#获取标准差
tensor.t()#转置
tensor[1,3]#获取tensor中第一行第三列的值
tensor[1,3]=100#获取tensor中第一行第三列的值，并赋值100
tenosr.transpose(int i,int j)#转换第i和j的维度，取值为0到n-1
tensor.permute(int a1,int a2,...,int an)#对于n个维度，写下转换后的每个维度对应于转换前的维度

取值和切片：

print(tensor)#输出整个数组
print(tensor[5])#输出第6个数
print(tensor[5:8])#输出第6~9个数字
tensor[5:8]=100#第6~9个数字全部赋值为100

单独选取一个冒号表示选取某一整个维度。

4.tensor的数据类型

获取数据类型、指定数据类型

tensor.dtype()#获取数据类型
tensor.ones([2,3],dtype=torch.float32)#创建数据的时候，指定数据类型

修改数据类型

tensor.float()/long()/int()来进行数据类型的修改

5.torch.Tensor和torch.tensor

1、torch.tensor()
Python的列表或序列可以通过torch.tensor()函数构造张量。张量的维度可以通过.shape查看，并可使用.size()方法计算张量的形状大小，使用.numel()方法计算张量中包含元素的数量。
在使用torch.tensor()函数时，可以使用参数dtype来指定张量的数据类型，使用参数requires_grad来指定张量是否需要计算梯度。
一般来说，torch.tensor()是我们创建tensor的方法。

2、torch.Tensor()
我们也可以使用torch.Tensor()来生成张量，且可以根据指定的形状来生成张量。但是不能指定张量的数据类型。
当传入的参数为数字，表示形状，等同于torch.FloatTensor()。
当传入的参数为可迭代对象（如列表），表示数据，类型为模型的数据类型。

6.tensor的其他操作

假设x和y是两个矩阵：

x+y
torch.add(x,y)
x.add(y)#以上三种方法都是计算x+y，都是不修改x和y的值
x.add_(y)#计算x+y，并赋值给x

此外，还有以下操作：
两个不同形状的矩阵进行操作，利用广播特性，这里不做介绍；
矩阵和数字运算，代表其中的每一个元素和数字进行运算，例如：

print(1/x)#取倒数
print(x**0.5)#开根号

7.GPU中的tensor的使用

torch.cuda.is_available()#判断电脑是否支持利用cuda计算

tensor.cuda这个模块增加了CUDA tensor的支持，能够在CPU和GPU上使用相同的方法操作tensor
通过.to方法能够把一个tensor转移到另一个设备（比如从CPU转移到GPU）。当然，从CPU转移到CPU也是可行的。

device=torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
#创建device示例，：0表示第一块GPU
torch.zeros([2,3],device=device)#在GPU下创建tensor
a=torch.zeros([2,3])#在CPU下创建的tensor
a.to(device)#转移到GPU下的tensor

因此，GPU中的tensor的使用方法如下：
1.实例化device：torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

2.tensor.to(device)把tensor转化为CUDA支持的tensor，或者CPU支持的tensor。