一文读懂PyTorch张量基础（附代码）

作者：Matthew Mayo, KDnuggets

翻译：和中华

校对：丁楠雅

本文约1000字，建议阅读5分钟。

本文介绍了PyTorch Tensor最基础的知识以及如何跟Numpy的ndarray互相转换。

本文介绍了PyTorch中的Tensor类，它类似于Numpy中的ndarray，它构成了在PyTorch中构建神经网络的基础。

我们已经知道张量到底是什么了，并且知道如何用Numpy的ndarray来表示它们，现在我们看看如何在PyTorch中表示它们。

 

自从Facebook在2017年初将PyTorch开源以来，它已经在机器学习领域取得了令人瞩目的成绩。它可能没有像TensorFlow那样被广泛采用 --- 它的最初发布时间早于PyTorch一年，背后有Google的支持，并且当神经网络工具迎来新的潮流时，它已经将自己确立为了金牌标准。但PyTorch在研究领域受到了广泛的关注，这种关注大部分来自与Torch本身的关系，以及它的动态计算图。

尽管最近我的注意力都在PyTorch上，但这篇文章并不是PyTorch的教程。它更多地是介绍PyTorch的Tensor类，这与Numpy的ndarray类似。

张量基础

让我们来看一下PyTorch的张量基础知识，从创建张量开始（使用Tensor类）：

import torch

 

# Create a Torch tensor

t = torch.Tensor([[1, 2, 3], [4, 5, 6]])

t

 

 

tensor([[ 1.,  2.,  3.],

        [ 4.,  5.,  6.]])

你可以使用两种方式转置一个张量：

# Transpose

t.t()

 

# Transpose (via permute)

t.permute(-1,0)

两者都会产生如下输出结果：

tensor([[ 1.,  4.],

        [ 2.,  5.],

        [ 3.,  6.]])

请注意，两种方式都不会导致原始张量的改变。

 

用view重新塑造张量：

# Reshape via view