pytorch英文文档--Tensors

初始化一个张量

• 直接从数据中初始化一个张量，数据类型会自动推导。
• 从numpy数组中初始化
• 从另一个张量中

torch.ones_like(x_data)

• 使用随机数或常量初始化

shape = (2, 3)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensors = torch.zeros(shape)

张量的属性

一个张量的属性有它的 shape, datatype, 和它被存储的地方device

tensor = torch.rand(3, 4)

print(f"Shape of tensor:{tensor.shape}")
print(f"Datatype of tensor:{tensor.dtype}")
print(f"Device tensor is stored on:{tensor.device}")

“”“”“”“
Shape of tensor:torch.Size([3, 4])
Datatype of tensor:torch.float32
Device tensor is stored on:cpu

对张量的操作

在torch库中有超过100中张量操作，每一种操作都能在GPU上运行。
默认来说张量是存在cpu上的，需要显示地将其移入GPU上，通过使用.to（）方法，当然这需要在gpu可用的情况下。

if torch.cuda.is_available():
	tensor = tensor.to('cuda')	

torch.seed() 

张量的数学运算

两个张量的矩阵相乘
t1 = tensor @ tensor.T
t2 = tensor.matmul(tensor.T)
t3 = torch.rand_like(tensor)
torch.matmul(tensor, tensor.T, out=t3)

两个矩阵的点积运算
z1 = tensor * tensor
z2 = tensor.mul(tensor)
z3 = torch.randlike(tensor)
torch.mul(tensor, tensor, out=z3)

in-place操作

将运算的结果存入操作数中叫做in-place操作，这种操作会在方法后面加一个下划线。比如x.copy_(), x.t_() 这样的操作将会改变x。

• in-place操作能够节省内存，但是在计算导数时可能会出现问题，因为会立即丢失历史记录，所以一般不鼓励这种操作。