1.pytorch学习

1.定义Tensors：

torch.zeros(5,3)：生成一个5*3的全是0的张量。

>>>torch.zeros(5,3) 
tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])
>>>torch.zeros(5)
tensor([0., 0., 0., 0., 0.])

x = torch.empty(5,3):生成一个5*3的矩阵（未初始化）

  >>>torch.empty(5,3)
     tensor([[6.5122e-39, 0.0000e+00, 6.5122e-39],
            [0.0000e+00, 6.5122e-39, 0.0000e+00],
            [6.5122e-39, 0.0000e+00, 6.5122e-39],
            [0.0000e+00, 6.5122e-39, 0.0000e+00],
            [6.5122e-39, 0.0000e+00, 6.5122e-39]])

torch.rand(5,3):生成一个5*3的随机初始化的矩阵

 >>>torch.rand(5,3)
    tensor([[0.5079, 0.1242, 0.4101],
            [0.6364, 0.1674, 0.2489],
            [0.2376, 0.4224, 0.9875],
            [0.9710, 0.0372, 0.5550],
            [0.1719, 0.0052, 0.6556]])

torch.randn(5,3):生成一个5*3的标准正态分布N（0,1）的随机数。（里面的数有正有负）

 >>>torch.randn(5,3)
    tensor([[-2.2971,  0.2847, -0.4776],
            [ 0.5875, -0.5847, -0.1421],
            [-0.6393, -0.2509,  0.2685],
            [-2.3049,  0.6499,  1.9672],
            [-0.2830, -0.0089,  1.4584]])

torch.tensor([5.5,3]) 创建tensor并使用现有数据初始化:

>>>torch.tensor([5.5,3])
   tensor([5.5000, 3.0000])

torch.ones(5,3):创建一个5*3的全是1的张量
`

 >>>torch.ones(5,3)
    tensor([[1., 1., 1.],
            [1., 1., 1.],
            [1., 1., 1.],
            [1., 1., 1.],
            [1., 1., 1.]])

根据已有张量来生成一个大小（维度）一样的张量。

 >>>x = torch.ones(5,3) #生成一个5*3的全是1的张量。
 >>>torch.randn_like(x,dtype=torch.double) #生成一个维度和x一样的矩阵，但是数值和数值的类型不一样。
    tensor([[-0.1901,  0.5882,  1.4445],
            [ 1.4619, -0.2704,  0.4470],
            [ 1.5624, -0.6046, -0.9181],
            [-1.5480,  0.2511,  1.9130],
            [-2.1051, -1.4523, -0.3877]], dtype=torch.float64)

x.size() 输出x的尺寸

 >>>x.size()
    torch.Size([5, 3])

torch.arange(1,6,1) torch.arange(start=0, end, step=1)返回一个从start到end的序列，步长为step，可以只输入一个end参数，就跟python的range()一样。[start,end)左闭右开。

>>>torch.arange(1,5,1)
    tensor([1, 2, 3, 4])

torch.full((2,3),4)生成一个两行三列的全是4的张量。

 >>>torch.full((2,3),4)
    tensor([[4., 4., 4.],
            [4., 4., 4.]])   

2.张量的操作：

张量的加法：torch.add(x,y)

 >>>x=torch.ones(5,3)
 >>>y=torch.rand(5,3)
 >>>torch.add(x,y)   
    tensor([[1.1259, 1.6325, 1.5112],
            [1.9166, 1.9107, 1.7514],
            [1.1589, 1.9283, 1.4688],
            [1.4948, 1.3876, 1.7834],
            [1.6360, 1.7465, 1.8248]])

.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.

 >>>y.add_(x)  # y加上x之后将值赋给
 >>>print(y)
    tensor([[ 0.7808, -1.4388,  0.3151],
            [-0.0076,  1.0716, -0.8465],
            [-0.8175,  0.3625, -0.2005],
            [ 0.2435,  0.8512,  0.7142],
            [ 1.4737, -0.8545,  2.4833]])

torch.view()相当于numpy的reshape

>>>x = torch.randn(4, 4)
>>>y = x.view(16)
>>>z = x.view(-1, 8)  #  size -1 从其他维度推断
>>>print(x.size(), y.size(), z.size())
   torch.Size([4, 4]) torch.Size([16]) torch.Size([2,8])

3、Torch Tensor与Numpy的互相转换

Tensor-->Numpy:将Tensor类型转换成Numpy类型，我们可以直接使用.numpy来转换，转换后，numpy类型的变量会和原来的Tensor共用底层内存地址，所以改变其中一个，另外一个也会改变。

    >>>a=torch.randn(5)
    >>>a
    tensor([-0.2814, -1.8397,  0.1669, -1.4093, -0.4031])
    >>>b = a.numpy()
    >>>b
    array([-0.28141832, -1.8396882 ,  0.16691928, -1.409325  , -0.40305737],
          dtype=float32)

Numpy-->Tensor

    >>>import numpy as np
    >>>a = np.ones(5)
    >>>b = torch.from_numpy(a)
    >>>np.add(a, 1, out=a)
    >>>print(a)
    >>>print(b)
    [1. 1. 1. 1. 1.] tensor([1., 1., 1., 1., 1.], dtype=torch.float64)

暂时就这些了，假如遇到什么问题，可以自己直接去pytorch官网搜索