## 02 PyTorch基础：Tensor操作

---

前言

  在深度学习的编程实践中，Tensor是一个不可或缺的基本数据结构。PyTorch作为一个强大的深度学习框架，提供了丰富的Tensor操作功能，使得数据的处理、模型的构建和训练变得更加高效和直观。本文将介绍Tensor的基本概念、创建方式、常见操作以及属性，以帮助初学者快速掌握PyTorch的核心组成部分。

什么是Tensor？

 在PyTorch中，Tensor可以被看作是一个多维数组，它是标量、向量、矩阵等数学对象的高维推广。Tensor支持高效的科学计算，并且是构建和训练神经网络的基石。与NumPy的ndarray类似，但Tensor具有在GPU上运行的能力，从而提供更快的计算速度。

创建Tensor

Tensor的创建非常灵活，可以通过多种方式进行：

• 从数据直接创建：

  import torch
  data = [[1, 2], [3, 4]]
  x_data = torch.tensor(data)
  

• 从NumPy数组创建：

  import numpy as np
  np_array = np.array(data)
  x_np = torch.from_numpy(np_array)
  

• 通过现有Tensor创建：

  x_ones = torch.ones_like(x_data) # 保持x_data的属性，创建全1的同形状Tensor
  x_rand = torch.rand_like(x_data, dtype=torch.float) # 重写dtype，创建同形状的随机Tensor
  

• 使用指定的数据类型：

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

Tensor的操作

 Tensor支持多种操作，包括算术、线性代数、选择和切片等。这些操作可以在CPU或GPU上执行，且大多数Tensor操作都支持自动广播和复杂的优化。

• 索引与切片：

  tensor = torch.rand(3, 4)
  print(tensor[:, 1])  # 第二列
  print(tensor[1:, :])  # 第二行及之后的所有行
  

• 改变形状：

  y = tensor.view(12)
  z = tensor.view(-1, 6)  # -1 表示自动计算维度
  

• 算术运算：

  x = torch.tensor([1, 2])
  y = torch.tensor([3, 4])
  z = x + y
  

Tensor属性

Tensor的属性定义了其形状、数据类型和存储的设备（CPU或GPU）。

• 形状：tensor.shape —— 表示Tensor的维度。
• 数据类型：tensor.dtype —— 表示Tensor中元素的数据类型，如torch.float32。
• 设备：tensor.device —— 表示Tensor存储在CPU还是GPU上。

总结

 本文介绍了Tensor在PyTorch中的基本使用方法，包括Tensor的创建、操作和属性。掌握这些基本知识将有助于深入学习和应用PyTorch进行更复杂的深度学习任务。随着对Tensor的深入理解，你将能更高效地处理数据和构建模型，从而在深度学习的旅程上更进一步。