什么是Pytorch？
Pytorch是一个基于Python的科学计算软件包，针对两组受众：
- 替代NumPy以使用GPU的功能
- 提供最大灵活性和速度的深度学习研究平台
Getting Started
Tensors
Tensors（张量）类似于NumPy的ndarrays，此外，Tensors还可以在GPU上使用以加速计算。
from __future__ import print_function import torch
注意
声明了一个未初始化的矩阵，但在使用前不包含确定的已知值。在创建未初始化的矩阵时，当时分配的内存中的任何值都将显示为初始值。
构造一个未初始化的5x3矩阵：
x = torch.empty(5, 3) print(x)
输出：
tensor([[ 9.8348e+18, 4.5845e-41, -3.5873e-11],
[ 3.0950e-41, 1.2141e-40, 3.8102e-38],
[ 5.3741e-30, 4.8419e+30, 7.7765e+31],
[ 4.7987e+30, 4.9796e-37, 2.1325e-41],
[ 2.4230e+21, 1.6045e-37, 1.9106e-28]])
构造一个随机初始化的矩阵：
x = torch.rand(5, 3) print(x)
输出：
tensor([[0.8379, 0.5171, 0.5525],
[0.5173, 0.8930, 0.0898],
[0.9211, 0.8738, 0.9919],
[0.9876, 0.0921, 0.1055],
[0.7662, 0.4146, 0.9539]])
构造一个填充零且dtype long的矩阵：
x = torch.zeros(5, 3, dtype=torch.long) print(x)
输出：
tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
直接从数据构造张量：
x = torch.tensor([5.5, 3]) print(x)
输出：
tensor([5.5000, 3.0000])
或者基于现有张量创建张量。这些方法将重用输入张量的属性，例如dtype，除非用户提供新值
x = x.new_ones(5, 3, dtype=torch.double) # new_* methods take in sizes print(x) x = torch.randn_like(x, dtype=torch.float) # override dtype! print(x) # result has the same size
输出：
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
tensor([[-0.2447, 0.9554, -1.1188],
[-0.7718, 0.5454, -0.5616],
[ 0.7332, -0.9550, 0.2147],
[ 0.6549, -0.9197, 1.4548],
[-0.5826, 0.9719, 0.1522]])
输出它的大小：
print(x.size())
输出：
torch.Size([5, 3])
注意
torch.Size 实际上是一个tuple，因此它支持所有tuple操作。
Operations
操作有多种语法。在下面的示例中，我们将看一下加法运算。
加法：语法1
y = torch.rand(5, 3) print(x + y)
输出：
tensor([[ 0.5103, 1.4621, -0.3477],
[ 0.1262, 1.1215, -0.2381],
[ 1.0119, -0.0862, 0.4582],
[ 0.6862, -0.6686, 2.2950],
[ 0.1223, 1.5743, 0.9786]])
加法：语法2
print(torch.add(x, y))
输出：
tensor([[ 0.5103, 1.4621, -0.3477],
[ 0.1262, 1.1215, -0.2381],
[ 1.0119, -0.0862, 0.4582],
[ 0.6862, -0.6686, 2.2950],
[ 0.1223, 1.5743, 0.9786]])
加法：提供输出张量作为参数
result = torch.empty(5, 3) torch.add(x, y, out=result) print(result)
输出：
tensor([[ 0.5103, 1.4621, -0.3477],
[ 0.1262, 1.1215, -0.2381],
[ 1.0119, -0.0862, 0.4582],
[ 0.6862, -0.6686, 2.2950],
[ 0.1223, 1.5743, 0.9786]])
加法：in-place
# adds x to y y.add_(x) print(y)
输出：
tensor([[ 0.5103, 1.4621, -0.3477],
[ 0.1262, 1.1215, -0.2381],
[ 1.0119, -0.0862, 0.4582],
[ 0.6862, -0.6686, 2.2950],
[ 0.1223, 1.5743, 0.9786]])
注意
任何使张量就地发生变化的操作都用固定_。例如：x.copy_(y)，x.t_()，将改变x。
numpy中所有index的用法在pytorch中都可以使用
print(x[:, 1])
输出：
tensor([ 0.9554, 0.5454, -0.9550, -0.9197, 0.9719])
调整大小：如果要调整张量的大小/形状，可以使用torch.view：
x = torch.randn(4, 4) y = x.view(16) z = x.view(-1, 8) # the size -1 is inferred from other dimensions print(x.size(), y.size(), z.size())
输出：
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
如果具有一个元素张量，请使用.item()将该值作为Python数字获取：
x = torch.randn(1) print(x) print(x.item())
输出：
tensor([-1.9486]) -1.9485716819763184
100+张量的操作，包括移调，索引，切片，数学运算，线性代数，随机数等等，在这里描述。
NumPy Bridge
将Torch张量转换为NumPy数组，反之亦然，这很容易。
Torch Tensor和NumPy数组将共享其基础内存位置（如果Torch Tensor在CPU上），并且更改一个将更改另一个。
将Torch张量转换为NumPy数组
a = torch.ones(5) print(a)
输出：
tensor([1., 1., 1., 1., 1.])
b = a.numpy() print(b)
输出：
[1. 1. 1. 1. 1.]
看numpy数组的值如何变化。
a.add_(1) print(a) print(b)
输出：
tensor([2., 2., 2., 2., 2.]) [2. 2. 2. 2. 2.]
将NumPy数组转换为Torch张量
看更改np数组如何自动更改Torch Tensor
import numpy as np a = np.ones(5) b = torch.from_numpy(a) np.add(a, 1, out=a) print(a) print(b)
输出：
[2. 2. 2. 2. 2.] tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
除了CharTensor之外，CPU上的所有张量都支持转换为NumPy并返回。
CUDA Tensors
使用该.to方法可以将张量移动到任何设备上。
# let us run this cell only if CUDA is available
# We will use ``torch.device`` objects to move tensors in and out of GPU
if torch.cuda.is_available():
device = torch.device("cuda") # a CUDA device object
y = torch.ones_like(x, device=device) # directly create a tensor on GPU
x = x.to(device) # or just use strings ``.to("cuda")``
z = x + y
print(z)
print(z.to("cpu", torch.double)) # ``.to`` can also change dtype together!
输出：
tensor([-0.9486], device='cuda:0') tensor([-0.9486], dtype=torch.float64)
接下来，给大家介绍一下租用GPU做实验的方法，我们是在智星云租用的GPU，使用体验很好。具体大家可以参考：智星云官网： http://www.ai-galaxy.cn/，淘宝店：https://shop36573300.taobao.com/公众号: 智星AI
参考文献：