pytorch总结学习系列-操作

算术操作

在PyTorch中，同一种操作可能有很多种形式，下⾯用加法作为例⼦。

加法形式⼀

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

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

加法形式⼆

print(torch.add(x, y))

还可指定输出：

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

加法形式三、inplace

# adds x to y
y.add_(x)
print(y)

索引

我们还可以使⽤用类似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也被改了了

除了常⽤的索引选择数据之外，PyTorch还提供了一些高级的选择函数:

pytorch总结学习系列-操作

改变形状

⽤用 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
print(x.size(), y.size(), z.size())

输出

torch.Size([5, 3]) torch.Size([15]) torch.Size([3, 5])

注意 view() 返回的新tensor与源tensor共享内存（其实是同⼀一个tensor），也即更更改其中的⼀一个，另
外⼀一个也会跟着改变。(顾名思义，view仅仅是改变了了对这个张量量的观察⻆角度)

x += 1
print(x)
print(y) # 也加了1

所以如果我们想返回⼀个真正新的副本（即不共享内存）该怎么办呢？Pytorch还提供了了⼀一
个 reshape() 可以改变形状，但是此函数并不不能保证返回的是其拷⻉贝，所以不不推荐使⽤用。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)

使⽤用 clone 还有⼀一个好处是会被记录在计算图中，即梯度回传到副本时也会传到源 Tensor 。

另外⼀一个常⽤用的函数就是 item() , 它可以将⼀一个标量 Tensor 转换成⼀一个Python number：

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

输出

tensor([2.3466])
2.3466382026672363

线性代数

另外，PyTorch还⽀支持一些线性函数，不用自⼰造轮⼦，具体用法参考官⽅
文档。如下表所示：

pytorch总结学习系列-操作