pytorch包学习心得--torch

1.torch.tensor(data, dtype=None, device=None, requires_grad=False) → Tensor

torch.tensor() always copies data. If you have a Tensor data and want to avoid a copy, use torch.Tensor.requires_grad_() or torch.Tensor.detach(). If you have a NumPy ndarrayand want to avoid a copy, use torch.from_numpy().

torch.tensor函数总会拷贝数据，除非使用其他函数可以避免拷贝。

2.torch.sparse_coo_tensor(indices, values, size=None, dtype=None, device=None, requires_grad=False) → Tensor

使用coordinate format matrix来进行稀疏矩阵的数据的存储。具体稀疏矩阵的表示方法可参考https://en.wikipedia.org/wiki/Sparse_matrix，其中，

一个稀疏矩阵：

能够被表示为如下一个三行的矩阵：

   A  = [ 5 8 3 6 ]
   IA = [ 0 0 2 3 4 ]
   JA = [ 0 1 2 1 ]

A用来表示矩阵中的元素（从左到右，从上到下），IA[i]表示从第一行到第i行中的所有元素，IA[0]始终为0，而JA则表示相应的

元素在哪一列。但在这里indices用一个二维矩阵表示每个稀疏项的位置，第一维是行，第二维是列。

3.torch.as_tensor(data, dtype=None, device=None) → Tensor

转化一个ndarray成为tensor,如果同为cpu存储，则无需拷贝，否则需要拷贝，例如从cpu类型变为GPU类型，也就是赋值device相关属性。

4.torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False) → Tensor

其实在调用torch.zeros(input.size(),dtype=None, layout=None, device=None, requires_grad=False)

torch.ones_like()类似用法。

5.torch.arange(start=0, end, step=1, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor 类似numpy.arange 函数，支持int和float，而python range函数不支持float类型。

6.torch.range(start=0, end, step=1, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor 同上arange函数，与python自带的不一样，其支持float类型。

7.torch.logspace(start, end, steps=100, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor 

>>> torch.logspace(start=-10, end=10, steps=5)
tensor([ 1.0000e