Pytorch入门：60分钟快速入门，第一节：张量（tensor）

pytorh两个主要特征

1.一个n维张量，类似于numpy，但可以在GPU上运行

2.搭建和训练神经网络时的自动微分/求导机制

tensor（张量）

标量（Scalar）是只有大小，没有方向的量，如1，2，3等

向量（Vector）是有大小和方向的量，其实就是一串数字，如[1,2,3,4]
]
矩阵（Matrix）是好几个向量拍成一排合并而成的一堆数字，如[[1,2],[3,4]]。这就是一个2*2矩阵

所以什么是张量？张量表示由一个数值组成的数组，这个数组可能有多个维度。一维、二维、三维甚至是更高维度的数据都称之为张量

张量类似于 NumPy 的 ndarray，不同之处在于张量可以在 GPU 或其他专用硬件上运行以加速计算。如果您熟悉 ndarrays，那么您将熟悉 Tensor API。

导入pytorch

import torch

构造张量

新的张量默认将存储在内存中，并采用基于CPU的计算。在指定后可以基于GPU运算

1.构造一个指定shape矩阵，不初始化。如（5,3），就是一个5行3列的矩阵

x = torch.empty(5,3)
print(x)

tensor([[5.9694e-39, 1.0010e-38, 1.0102e-38],
[1.0561e-38, 1.0469e-38, 1.0653e-38],
[1.0469e-38, 4.2246e-39, 1.0286e-38],
[1.0653e-38, 1.0194e-38, 8.4490e-39],
[1.0469e-38, 9.3674e-39, 9.9184e-39]])

2.构造一个随机初始化的矩阵

x=torch.rand(5,3)
print(x)

tensor([[0.7128, 0.4246, 0.7655],
[0.3050, 0.1269, 0.7713],
[0.2658, 0.6642, 0.8440],
[0.4126, 0.6576, 0.7155],
[0.1038, 0.2788, 0.5126]])

3.构造一个元素全为0的张量，指定数据类型(例如：long)的矩阵，不指定默认为浮点数

x=torch.zeros(5,3)
print(x)

tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])

4.元素全为1的张量

x=torch.ones((2, 3, 4))
print(x)

tensor([[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]],
[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]]])

5.指定范围的行向量

x = torch.arange(0, 10, 2)
print(x)

6.直接使用数据构造

x = torch.tensor(5)#标量
print(x)
x = torch.tensor([5,3,5.5])#一维
print(x)
data = [[1,2],[3,4]]  #python的数组
x = torch.tensor(data)
print(x)

tensor(5)
tensor([