Pytorch使用（一）

在jupyter notebook/jupyterlab中怎么操作宿主机

当在jupyter中需要操作宿主机时，可以通过将命令前加上!或者%即可。

#查看当前目录
%pwd
!pwd
#查看当前目录下有什么内容
!ls
%ls
#通过jupyter安装相关包

创建张量

创建张量的方法是由从什么来创建所决定的。
如果从列表来创建，那么就用torch.tensor()方法。
如果从概率分布中创建就用torch.randn()等方法来生成。
通过创建函数赋值创建张量就是在新位置（id）处生成一个数据。
tensor.data提取出来的是张量的数据地址，当把它赋值给别的变量时，相当于把同一个地址赋值给这个新位置处的变量。当这个位置的变量的数值发生变化时，原位置处的变量的数值也会发生变化。而tensor.detach()提取出来的是数据的复制品，当把它赋值给别的变量时，不存在位置上的依赖。
要想保持原位置更新张量的数值，那么就需要使用冒号或者是简略运算符，例如+=，-=，*=，/=等等，这就跟节省内存对应上了。

#绝缘的操作，具有不同id，无论采取什么方法更改数据区都不会影响另一个的数据。哪怕是采用不绝缘的操作来更改数据区也不会影响另一个的数据。
tensora=tensorb.data
tensora=torch.tensor(tensorb)
tensora=tensorb.clone()
tensora=tensorb.detach()
#不绝缘的操作，具有同一个id，当采用特定的原地修改方法时会影响另一个数据。
tensora=tensorb
tensora.data=tensorc	#采用这种方法可以实现原地修改数据区，这样在不绝缘的情况下会影响tensorb这个数据。
tensora=tensorc			#采用这种方法不能原地修改数据区也就不能影响tensorb这个数据。

Pytorch中的tensor张量属性

利用pytorch进行深度学习或人工智能开发，不可避免要用到Tensor张量，所以有必要弄清楚张量的所有属性和用法。

#注意方法要加括号，属性不用加括号
#通过clone方法来创建张量
tensora=tensorb.clone()
##这样两个张量的id是不一样的。所对应的data属性区也是不一样的，更改tensora的data不会影响tensorb的数据。更改tensorb的data属性也不会影响tensora的数据。双向绝缘。
#通过detach方法来创建张量
tensora=tensorb.detach()
##这两个张量的id是不一样的。数据区data也是不一样的，双向绝缘。
#通过torch.tensor方法来创建张量
tensora=torch.tensor(tensorb)
##这两个张量的id也是不一样的。数据区也是绝缘的，

原张量数据区变化：

clone张量数据区变化：

detach张量的数据区变化：

所以就算原张量是一个可变张量，detach以后就是一个常量了，clone以后也是一个常量了。原张量的变化不会对detach，clone后产生的张量发生影响。

autograd包中的Variable变量属性

提到张量不得不提跟他很相似的变量，variable，在PyTorch中，Variable是一个重要的概念，它是对tensor的封装，可以用于自动求导和梯度下降算法等。

#Variable变量的创建
tensora=Variable(tensorb)
#随后对这个变量tensora进行clone和detach方法，发现关系依旧如上所示，双向绝缘。注意此处使用的是.data属性更改tensora的内容。同时保持了tensora的前后id一致。见下图第一个
#同时tensora和创建时备用来做参数的tensorb之间也是绝缘的。
#当采用赋值直接修改的时候会变化这个变量的id。

通过.data属性修改变量内容

同样不会改变数据类型

所以通过.data可以实现原地修改。而其他的会改变数据位置。
直接修改变量内容

当然还需要验证一下直接赋值会不会改变变量类型。不过貌似是没有什么变化。

什么时候数据不是绝缘的？

通过上述分析可以发现，通过创建函数来创建的张量或者变量的数据区都是绝缘的。id都不一样，比如torch.tensor创建的，variable创建的，clone（），detach（）等等。
唯一不绝缘的就是通过直接变量名赋值的，比如：tensora=tensorb，这样两个变量的id是一样的。修改任意一个变量的数据区并保持id不变也就是原地修改，那么另一个变量的数据区也会发生变化。如果不原地修改，那么会导致绝缘。
绝缘的情况：

不绝缘的情况：

可以粗略的认为除了这种情况，其他的都是绝缘的。

张量运算

张量操作分为同形状按元素运算和不同形状用广播运算。除了形状不一致采用广播运算，其他的都是按元素运算。
参考：

• CSDN：Pytorch神经网络入门（1）参数的手动更新和自动更新