PyTorch学习---1.数据整理

PyTorch的安装

要学习PyTorch自然是先要把它安装好，PyTorch的安装相对来说比较简单，不会的可以直接去它的官网看，点我就是去官网的路，点开之后往下拉就能看到下面的图片：

下面就是根据你机器的类型以及需要安装的版本来自由组合了，大部分人应该都会了。最后需要检验一下你的PyTorch是否安装成功，运行下面两行代码即可：

import torch
print(torch.__version__)

Tensor的创建

Tensor是PyTorch中的基本数据类型，它的创建有很多种方式，下面整理出几种大家会经常用到的：

x = torch.empty(5, 3)  #全空值
x = torch.rand(5, 3)   #随机
x = torch.ones(5, 3, dtype=torch.long)  #全1，并指定类型
x = torch.zeros(5, 3, dtype=torch.long)
x = torch.tensor([5.5, 3])
x = x.new_ones(5, 3, dtype=torch.float64)      # 返回的tensor默认具有相同的torch.dtype和torch.device
x = torch.zeros_like(x, dtype=torch.float)    # 指定新的数据类型
#获取Tensor形状的两种方式
print(x.size())
print(x.shape)         

更多相关函数的使用如下表所示。

Tensor的操作

1，算术操作
我们以加法为例展示Tensor算术操作的三种形式：

# 1，正常形式，x已经定义过
y = torch.rand(5, 3)
print(x + y)
#2，函数形式
print(torch.add(x, y))
result = torch.empty(5, 3)
torch.add(x, y, out=result)
print(result)
#3，inplace  PyTorch操作inplace版本都有后缀"_", 例如x.copy_(y), x.t_()
# adds x to y
y.add_(x)
print(y)

2，索引
我们还可以使用类似NumPy的索引操作来访问Tensor的一部分，需要注意的是：索引出来的结果与原数据共享内存，也即修改一个，另一个会跟着修改。

y = x[0, :]
y += 1
print(y)
print(x[0, :]) # 源tensor也被改了

另外Tensor还有一些比较高级的索引操作，如下图所示。

3，形状改变
用view()来改变Tensor的形状：

y = x.view(15)
z = x.view(-1, 5)  # -1所指的维度可以根据其他维度的值推出来

另外view()返回的新tensor与源tensor共享内存，也即更改其中的一个，另外一个也会跟着改变。

x += 1
print(x)
print(y) # 也加了1

当然，如果不想共享内存，推荐先用clone创造一个副本然后再使用view。

x_cp = x.clone().view(15)
x -= 1
print(x)
print(x_cp)
#x_cp不会改变，x变了

还有一个常用的函数就是item(), 它可以将一个标量Tensor转换成一个Python number：

x = torch.randn(1)
print(x)
print(x.item())
#输出为 ：
tensor([2.3466])
2.3466382026672363

广播机制

广播是Tensor的一个非常重要的性质，个人看来广播就是为了方便计算自动匹配形状的机制。就是当对两个形状不同的Tensor按元素运算时，可能会触发广播（broadcasting）机制：先适当复制元素使这两个Tensor形状相同后再按元素运算。例如：

x = torch.arange(1, 3).view(1, 2)
print(x)
y = torch.arange(1, 4).view(3, 1)
print(y)
print(x + y)
#由于x和y分别是1行2列和3行1列的矩阵，如果要计算x + y，
#那么x中第一行的2个元素被广播（复制）到了第二行和第三行，
#而y中第一列的3个元素被广播（复制）到了第二列。如此，就可以对2个3行2列的矩阵按元素相加。

Tensor和Numpy的相互转换

我们很容易用**numpy()和from_numpy()**将Tensor和NumPy中的数组相互转换。但是需要注意的一点是： 这两个函数所产生的的Tensor和NumPy中的数组共享相同的内存（所以他们之间的转换很快），改变其中一个时另一个也会改变！！！
还有一个常用的将NumPy中的array转换成Tensor的方法就是torch.tensor(), 需要注意的是，此方法总是会进行数据拷贝（就会消耗更多的时间和空间），所以返回的Tensor和原来的数据不再共享内存。
1，Tensor转Numpy
使用numpy()将Tensor转换成NumPy数组:

a = torch.ones(5)
b = a.numpy()
print(a, b)

a += 1
print(a, b)
b += 1
print(a, b)
#a,b内容相同

2，Numpy转Tensor
使用from_numpy()将NumPy数组转换成Tensor:

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
print(a, b)

a += 1
print(a, b)
b += 1
print(a, b)
#a,b内容相同

所有在CPU上的Tensor（除了CharTensor）都支持与NumPy数组相互转换。
此外上面提到还有一个常用的方法就是直接用torch.tensor()将NumPy数组转换成Tensor，需要注意的是该方法总是会进行数据拷贝，返回的Tensor和原来的数据不再共享内存。

c = torch.tensor(a)
a += 1
print(a, c)
#a,c内容不相同

Tensor on GPU

用方法to()可以将Tensor在CPU和GPU（需要硬件支持）之间相互移动。

# 以下代码只有在PyTorch GPU版本上才会执行
if torch.cuda.is_available():
    device = torch.device("cuda")          # GPU
    y = torch.ones_like(x, device=device)  # 直接创建一个在GPU上的Tensor
    x = x.to(device)                       # 等价于 .to("cuda")
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))       # to()还可以同时更改数据类型

线性代数相关函数