pytorch官方tutorial练习 --- I

之前本来想直接自己看pytorch的official tutorial的，但是发现pytorch中文手册中，有一斤翻译的版本，那就对照着看吧！

Part I. Why is Pytorch

I. Initialization

这部分主要介绍了如何初始化tensor（张量）也就是pytorch的Data structure，类似于ndarray之于numpy。
我们主要使用如下的几个function来定义tensor：

• x = torch.empy(X,Y)
• x = torch.rand(X,Y), 创建一个size为(X,Y)的，各个entry的value符合[0,1)的均匀分布的tensor。
• x = torch.randn(X,Y), 同上，只不过这个满足标准正态分布即均值0，方差1.
• x = torch.zeros(X,Y),
• x = torch.ones(X,Y）\
• 除此之外还有，x = torch.randn_like(x),来帮助我们快速定义一个和之前已定义的tensor具有一样的size的new tensor。

以上的几个函数均可以通过留下的接口dtype=…来直接定义数据的类型：常见的可选项为torch.float(32,64), torch.double, torch.long等等。如果我们想要查看tensor的shape我们用： x.size()就可以，不能用torch.size(x)，切记！
还有就是对tensor的reshape操作，tensor是x.view(target_dimension) 以及 x.reshape(target_dimension)都接受的!

II. Numpy Bridge

这部分主要是讲tensor和numpy之间的相互转换，没啥好说的，
tensor 转 np array:
b = a.numpy()，若是gpu target则需要，
b = a.cpu().numpy()

np array 转tensor:
b = torch.from_numpy(a)， 就可以自动转换了。但是注意，这个函数是没有dtype=…的接口的，也就是说，转换过来的tensor会自动根据np array本身的数据类型转换，若想进一步转换则需要在之后自己定义, e.g., torch.FloatTensor(x)。

III. CUDA tensors (Using GPU)

为了能将tensor变为cuda tensor并让其之后的运算都能在gpu上运行我们需要定义一下这个常见操作：

if torch.cuda.is_available():
    device = torch.device("cuda")          # a CUDA device object
    y = torch.ones(2,3,dtype=torch.float, device=device)  
    print(y)
    print(y.to("cpu", torch.double))       # ``.to`` can also change dtype together!