使用Pytorch进行深度学习：60分钟快速入门（译）

原文作者：Soumith Chintala 
原文地址：https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html

---

教程的目的： 
1. 了解Pytorch中的Tensor库并且在高层次理解神经网络。 
2. 训练一个小型的神经网络来实现图像分类的任务。

Pytorch是什么？

Pytorch是一个基于python的科学计算包。主要有如下特点：

• 可以替代Numpy，发挥GPU的计算能力。
• 提供最大灵活性和速度的深度学习研究平台。

开始

Tensors 
Tensors类似于Numpy中的ndarrays，并且可以在GPU上计算。

from __future__ import print_function
import torch

• 1
• 2

构造一个未初始化的5*3矩阵

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

• 1
• 2

Out: 
tensor( 
[[ 3.2401e+18, 0.0000e+00, 1.3474e-08], 
[ 4.5586e-41, 1.3476e-08, 4.5586e-41], 
[ 1.3476e-08, 4.5586e-41, 1.3474e-08], 
[ 4.5586e-41, 1.3475e-08, 4.5586e-41], 
[ 1.3476e-08, 4.5586e-41, 1.3476e-08]] 
)

---

建立随机初始化矩阵

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

• 1
• 2

Out: 
tensor( 
[[ 0.0993, 0.2305, 0.3597], 
[ 0.4006, 0.8186, 0.7320], 
[ 0.8274, 0.9112, 0.9628], 
[ 0.5093, 0.0285, 0.1659], 
[ 0.0799, 0.7159, 0.8973]] 
)

---

构造一个零矩阵，数据类型是long

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

• 1
• 2

Out: 
tensor( 
[[ 0, 0, 0], 
[ 0, 0, 0], 
[ 0, 0, 0], 
[ 0, 0, 0], 
[ 0, 0, 0]] 
)

---

直接从数据中构造tensor

x = torch.tensor([5.5, 3])
print(x)

• 1
• 2

Out: 
tensor([ 5.5000, 3.0000])

---

从已经存在的tensor构造一个新的tensor。这些方法能够复用已存在的tensor的dtype等属性，除非用户指定新的属性值。

x = x.new_ones(5,3, dtype=torch.double)
print(x)

x = torch.rand_like(x, dtype=torch.floadt)
print(x)

• 1
• 2
• 3
• 4
• 5

Out: 
tensor([[ 1., 1., 1.], 
[ 1., 1., 1.], 
[ 1., 1., 1.], 
[ 1., 1., 1.], 
[ 1., 1., 1.]], dtype=torch.float64) 
tensor([[ 0.2641, 0.0149, 0.7355], 
[ 0.6106, -1.2480, 1.0592], 
[ 2.6305, 0.5582, 0.3042], 
[-1.4410, 2.4951, -0.0818], 
[ 0.8605, 0.0001, -0.7220]])

---

获取tensor的大小

print(x.size)

• 1

Out: 
torch.Size([5, 3]) 
注意torch.Size实际上是一个操作，它支持所有的元组操作。

---

操作 
有很多语法可以实现操作。在下面的例子中，我们将看一下加法操作。

---

加法：语法1

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

• 1
• 2

---

加法：语法2

print(torch.add(x, y)

• 1

---

指定tensor保存结果

result = torch.empty(5,3)
torch.add(x, y, out=result)

• 1
• 2

---

将一个tensor的值加到另一个tensor

y.add_(x)

• 1

任何tensor上的，并且以结尾的操作（x.copy(y), x.t_())，都将改变x的值。

---

可以使用类Numpy的方式来索引tensor

print( x[:, 1])

• 1

---

改变tensor的形状：torch.view

x = torch.randn(4, 4)
y = x.view(16)
z = x.view(4, 4)
print(x.size(), y.size(), z.size())

• 1
• 2
• 3
• 4

Out: 
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

---

如果你的tensor只有一个元素，可以使用.item来或者一个python的数值。

x = torch.randn(1)
print(x)
print(x.item())

• 1
• 2
• 3

Out: 
tensor([ 1.3159]) 
1.3159412145614624

---

Numpy和Tensor的转化

Torch Tensor和Numpy array将共享内存位置，如果你改变其中之一，另外的也将改变

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

a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=1)

• 1
• 2
• 3
• 4
• 5
• 6

CUDA Tensors 
使用.to方法来将tensor移到指定设备上

if torch.cuda.is_available():
    device = torch.device("cuda")
    y = tortch.ones_like(x, device=device)
    x = x.to(device)
    z = x + y
    print(z)
    print(z.to("cup", torch.double))

• 1
• 2
• 3
• 4
• 5
• 6
• 7

Out: 
tensor([ 2.3159], device=’cuda:0’) 
tensor([ 2.3159], dtype=torch.float64)