一、PyTorch简介与安装

1.核心概念

        PyTorch 是一款 Python 深度学习框架，其核心是张量（Tensor） —— 元素为同一种数据类型的多维矩阵，以 “类” 的形式封装，内置了张量运算、处理等方法，是深度学习中数据存储和计算的基础单元。

2.安装命令

        pip install torch===1.10.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

二、张量的创建与类型转换

1.基本创建方式

2.线性与随机张量创建

        线性张量

                torch.arange（start，end，step）：在（start，end）区间内按步长step生成 1 维张量，元素类型为int64。示例：torch.arange(0,10,2) → tensor([0,2,4,6,8])。

                torch.linspace（start，end，step）：在[start, end]区间内生成steps个等间隔元素的 1 维张量，默认float32。示例：troch.linspace(0,11,10)-->tensor([0.00,1.22,...,11.00])。

        随机张量与种子设置

        torch.randn（shape）：生成符合标准正态分布（均值 0、方差 1）的指定形状张量，默认float32。示例：torch.randn(2,3) → 2 行 3 列的随机张量。

        随机种子：torch.random.manual_seed(seed)固定随机种子，确保每次运行生成相同的随机张量；torch.random.initial_seed()查看当前随机种子。示例：

torch.random.manual_seed(100)
print(torch.randn(2,3))  # 每次运行结果一致
print(torch.random.initial_seed())  # 输出100

3.0-1及指定值张量创建

        全1张量：torch.ones(shape)创建指定形状全 1 张量；torch.ones_like(tensor)根据已有张量形状创建全 1 张量，示例：

data = torch.ones(2,3)  # tensor([[1.,1.,1.],[1.,1.,1.]])
data_like = torch.ones_like(data)  # 与data形状相同的全1张量

        全0张量：torch.zeros(shape)创建指定形状全 0 张量；torch.zeros_like(tensor)根据已有张量形状创建全 0 张量，用法与全 1 张量一致。

        指定量张量：torch.full(shape, value)创建指定形状、元素均为value的张量；torch.full_like(tensor, value)根据已有张量形状创建指定值张量，示例：

data = torch.full([2,3],10)  # tensor([[10,10,10],[10,10,10]])
data_like = torch.full_like(data,20)  # 元素均为20的张量

4.张量类型转换

        data.type（torch.目标类型）显式指定目标类型，支持torch.ShortTensor（int16）、torch.IntTensor（int32）、torch.LongTensor（int64）、torch.FloatTensor（float32）、torch.DoubleTensor（float64）。

data = torch.full([2,3],10)  # dtype=torch.int64
data = data.type(torch.DoubleTensor)  # dtype=torch.float64

        data.目标类型缩写（）：快捷转换方法，如data.short()（转 int16）、data.int()（转 int32）、data.long()（转 int64）、data.float()（转 float32）、data.double()（转 float64）。

data = torch.full([2,3],10)  # dtype=torch.int64
data = data.double()  # dtype=torch.float64

三、张量与其他数据类型的转换

1.张量转numpy数组

        方法：data_tensor.numpy(),默认共享内存（修改一个，另一个同步变化）；若需避免共享，使用data_tensor.numpy().copy（）。

# 共享内存
data_tensor = torch.tensor([2,3,4])
data_numpy = data_tensor.numpy()
data_numpy[0] = 100  # data_tensor也变为tensor([100,3,4])# 不共享内存
data_numpy = data_tensor.numpy().copy()
data_numpy[0] = 200  # data_tensor仍为tensor([100,3,4])

2.numpy数组转张量

3.标量张量与数字转换

        对于仅含一个元素的张量（标量张量），使用data.item()提取 Python 原生数字类型（如int、float）。示例：

data1 = torch.tensor([30,])  # 标量张量
data2 = torch.tensor(30)     # 标量张量
print(data1.item())  # 30（int类型）
print(data2.item())  # 30（int类型）

四、张量数值计算与运算函数

1.基本运算

支持加减乘除、取负等操作，分为不修改原张量和修改原张量（函数名带下划线）两类，示例：

data = torch.randint(0,10,[2,3])  # 示例：tensor([[3,7,4],[0,0,6]])# 不修改原张量
new_data = data.add(10)  # 等价于data + 10 → tensor([[13,17,14],[10,10,16]])
new_data = data.sub(5)   # 等价于data - 5
new_data = data.mul(2)   # 等价于data * 2
new_data = data.div(2)   # 等价于data / 2
new_data = data.neg()    # 等价于-data# 修改原张量
data.add_(10)  # data变为tensor([[13,17,14],[10,10,16]])
data.sub_(5)   # data进一步修改

2.点乘与矩阵乘法

        点乘（Hadamard积）：两个同形状张量对应元素相乘，使用torch.mul(data1, data2)或data1 * data2。示例：

data1 = torch.tensor([[1,2],[3,4]])
data2 = torch.tensor([[5,6],[7,8]])
print(torch.mul(data1, data2))  # tensor([[5,12],[21,32]])
print(data1 * data2)            # 同上

        矩阵乘法：要求第一个张量的列数等于第二个张量的行数（形状为(n,m)和(m,p)，结果为(n,p)），使用data1 @ data2或torch.matmul(data1, data2)。示例：

data1 = torch.tensor([[1,2],[3,4],[5,6]])  # (3,2)
data2 = torch.tensor([[5,6],[7,8]])        # (2,2)
print(data1 @ data2)  # tensor([[19,22],[43,50],[67,78]])（3,2）
print(torch.matmul(data1, data2))  # 同上

3.常见运算函数