一、torch概念

1.1简介

pytorch简称torch，意为深度学习框架。它使用张量（tensor）来表示数据，可以轻松地处理大规模数据集，且可以在GPU上加速。

pytorch基本功能：自动微分、自动求导等。

1.2安装

官网获得下载命令。

二、tensor概述

pytorch将数据封装成张量进行计算。

2.1概念

张量：元素类型相同的多维矩阵，可以在GPU上于运行。

张量的维度决定了它的形状：

（1）0维张量：标量；

（2）1维张量：向量、数组；

（3）2维张量：矩阵；

（4）更高维度张量：图像、视频等。

2.2特点

（1）动态计算图；

（2）GPU支持；

（3）自动微分。

2.3数据类型

主要数据类型：浮点数float，整数int，布尔值True、False。

其中，浮点数和整数又分为8位、16位、32位、64位，加起来共9种。

三、tensor创建

3.1基本创建方式

（1）torch.tensor()

注意tensor为小写，根据指定的数据创建张量。

代码示例：

# 指定数据进行创建 torch.tensor
import torch
import numpy as np
# 用标量创建张量
data = torch.tensor(7)   #0维张量
print(data)
print(data.shape)

结果：

tensor(7)

torch.Size([])

（2）torch.Tensor()

注意tensor为大写，根据形状创建张量，也可用指定的数据创建张量。

代码示例：

# 指定形状进行创建 torch.Tensor
def test01():tensor1 = torch.Tensor(3,4)print(tensor1)tensor2 = torch.Tensor([[1],[2],[3]])print(tensor2,tensor2.dtype)tensor3 = torch.Tensor([0])print(tensor3.shape,tensor3.dtype)tensor1 = torch.Tensor([1,2]).int()print(tensor1.dtype)if __name__ == '__main__':test01()

结果：

tensor([[-4.6947e-33, 1.9716e-42, 0.0000e+00, 0.0000e+00],

[ 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00],

[ 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00]])

tensor([[1.], [2.], [3.]]) torch.float32

torch.Size([1]) torch.float32

torch.int32

（3）torch.IntTensor()

用于创建指定类型的张量。

代码示例：

# 指定类型进行创建 torch.IntTensor
data = torch.IntTensor(3,3)
print(data)
print(data.shape,data.dtype)

结果：

tensor([[-1983708176, 1407, 0],

[ 0, 0, 0],

[ 0, 0, 0]], dtype=torch.int32)

torch.Size([3, 3]) torch.int32

3.2创建线性张量

利用API：

torch.arange():PyTorch 中用于生成一个一维张量（向量）的函数，该张量包含从起始点到结束点（不包括结束点）的等间隔数值序列。

torch.linspace((start,end,steps)):返回一个一维张量，包含在区间 `[start, end]` 上均匀间隔的 `steps` 个点。

代码示例：

# 创建线性张量
import torch
def tensor():data = torch.arange(0,9,2)print(data,data.shape,data.dtype)data1 = torch.linspace(1,10,3)print(data1,data1.shape,data1.dtype)tensor()

结果：

tensor([0, 2, 4, 6, 8]) torch.Size([5]) torch.int64

tensor([ 1.0000, 5.5000, 10.0000]) torch.Size([3]) torch.float32

3.3创建随机张量

随机数种子：torch.manual_seed()

获取随机数种子：torch.initial_seed()

创建随机张量：torch.rand--均匀分布 / torch.randn--正态分布

代码示例：

# 创建随机张量
import numpy as np
def random_t():torch.manual_seed(33)print(torch.initial_seed())data = torch.rand(3,4)data2 = torch.randn(2,3).int()print(data,data.shape,data.dtype)print(data2,data2.shape,data2.dtype)return 
random_t()

结果：

tensor([[0.6186, 0.5587, 0.1937, 0.3360],

[0.2008, 0.6970, 0.6367, 0.1452],

[0.8213, 0.2365, 0.3702, 0.9168]]) torch.Size([3, 4]) torch.float32

tensor([[ 0, 0, -1],

[ 0, -1, 1]], dtype=torch.int32) torch.Size([2, 3]) torch.int32

四、tensor常见属性

4.1获取属性

Tensor张量常见属性有三个：dtype（获取类型）,shape（获取形状）,device（获取运行设备）

代码示例：

import torch
import numpy as np
data = torch.tensor(np.random.randint(0,10,(2,2)))
print(data)
print(data.shape)
print(data.dtype)
print(data.device)

结果：

tensor([[4, 4], [6, 5]], dtype=torch.int32)

torch.Size([2, 2])

torch.int32

cpu

4.2切换设备

主要是指CPU，GPU之间的相互转换。

注意：这里都要重新赋值

（1）直接data.cuda()

（2）在创建张量时指定device类型

（3）重新赋值data.to(device)

代码示例：

# 切换设备
import torch
import numpy as np
data = torch.tensor(np.random.randint(0,10,(2,2)))
print(data)
print(data.shape)
print(data.dtype)
print(data.device)device = 'cuda' if torch.cuda.is_available() else 'cpu'
data_new = data.to(device=device)
print(data_new.device)data2 = torch.tensor([1,2,3],device='cpu')
print(data2.device)data3 =  torch.tensor([1,2,3],dtype=torch.float32)
data3_new = data3.cuda()
print(data3_new.device)

结果：

tensor([[4, 6], [5, 8]], dtype=torch.int32)

torch.Size([2, 2])

torch.int32

cpu

Torch not compiled with CUDA enabled(这里是因为我没有安装GPU)

4.3类型转换

（1）使用type进行转换，在type（）括号内填上需要转换为的目标类型；

（2）重新赋值 data = data.int()

（3）创建张量时指定类型 dtype= torch.int64

代码示例：

# 类型转换
import torch
import numpy as npdata = torch.tensor(np.random.randn(3,4),dtype=torch.int64)
print(data,data.dtype)data2 = torch.tensor([[1,2],[3,4]])
data2 = data2.float()
print(data2,data2.dtype)data3 = torch.tensor([8,9,0])
data3 = data3.type(torch.bool)
print(data3,data3.dtype)

结果：

tensor([[ 0, 0, 0, -2], [ 0, 1, 0, -1], [ 1, 0, 0, 0]]) torch.int64

tensor([[1., 2.], [3., 4.]]) torch.float32

tensor([ True, True, False]) torch.bool