【引言】Pytorch是一個基于Python的科學計算軟體包，有以下兩種定位：
可以使用多GPU加速的NumPy替代品
提供最大限度靈活性與速度的深度學習研究平台
一、入門
1.Tensors（張量）
Tensors（張量）類似于NumPy中的ndarray，另外它還可以使用GPU加速計算。
from__future__import print_function
importtorch 構造一個未初始化的5x3矩陣：
x = torch.empty(5, 3)
print(x) 輸出：
tensor([[-9.0198e-17, 4.5633e-41, -2.9021e-15],
[ 4.5633e-41, 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, 0.0000e+00]]) 構造一個随機初始化的矩陣：
x = torch.rand(5, 3)
print(x) tensor([[0.1525, 0.7689, 0.5664],
[0.7688, 0.0039, 0.4129],
[0.9979, 0.3479, 0.2767],
[0.9580, 0.9492, 0.6265],
[0.2716, 0.6627, 0.3248]]) 構造一個使用零填充、資料類型為long（長整型）的5X3矩陣：
x = torch.zeros(5, 3, dtype=torch.long)
print(x) tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0]]) 直接用一組資料構造Tensor（張量）：
x = torch.tensor([5.5, 3])
print(x) tensor([5.5000, 3.0000]) 或者根據現有的Tensor（張量）建立新的Tensor（張量）。除非使用者提供新值，否則這些方法将重用輸入張量的屬性，例如dtype：
x = x.new_ones(5, 3, dtype=torch.double) # 使用new_* 方法設定次元
print(x)
x = torch.randn_like(x, dtype=torch.float) # 重新設定資料類型
Print(x) tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
tensor([[ 0.4228, 0.3279, 0.6367],
[ 0.9233, -0.5232, -0.6494],
[-0.1946, 1.7199, -0.1954],
[ 0.1222, 0.7204, -1.3328],
[ 0.1230, -0.5800, 0.4562]]) 輸出它的大小：
print(x.size()) torch.Size([5, 3]) 【注意：torch.Size 實際上是一個元組，是以它支援所有元組操作。】
-
運算
Tensor運算有多種文法。在下面的示例中，我們将先示例加法運算。
加法運算：文法1
y = torch.rand(5, 3)
print(x + y) tensor([[ 0.0732, 0.9384, -0.2489],
[-0.6905, 2.1267, 3.0045],
[ 0.6199, 0.4936, -0.0398],
[-2.0623, -0.5140, 1.6162],
[ 0.3189, -0.0327, -0.5353]])
加法運算：文法2
print(torch.add(x, y)) tensor([[ 0.0732, 0.9384, -0.2489],
[-0.6905, 2.1267, 3.0045],
[ 0.6199, 0.4936, -0.0398],
[-2.0623, -0.5140, 1.6162],
[ 0.3189, -0.0327, -0.5353]]) 加法運算：使用輸出Tensor（張量）作為參數
result = torch.empty(5, 3)
torch.add(x, y, out=result)
print(result) tensor([[ 0.0732, 0.9384, -0.2489],
[-0.6905, 2.1267, 3.0045],
[ 0.6199, 0.4936, -0.0398],
[-2.0623, -0.5140, 1.6162],
[ 0.3189, -0.0327, -0.5353]]) 加法運算：内聯接
# adds x to y
y.add_(x)
print(y) tensor([[ 0.0732, 0.9384, -0.2489],
[-0.6905, 2.1267, 3.0045],
[ 0.6199, 0.4936, -0.0398],
[-2.0623, -0.5140, 1.6162],
[ 0.3189, -0.0327, -0.5353]]) 【注意：任何改變原張量實作内聯接的操作都是通過在後邊加_ 實作的。例如：x.copy_(y)，x.t_()，将将改變x的值。】
你可以像在NumPy中一樣使用索引及其他所有華麗的功能。
print(x[:, 1]) tensor([ 0.3279, -0.5232, 1.7199, 0.7204, -0.5800]) Resizing（調整大小）：如果要resize/reshape張量，可以使用torch.view：
x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8) # -1是推斷出來的
print(x.size(), y.size(), z.size()) torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8]) 如果你有隻含一個元素的張量，可以用.item()擷取它的值作為Python數值
x = torch.randn(1)
print(x)
print(x.item()) tensor([0.1550])
0.15495021641254425 【延伸閱讀：100+張量操作，包括置換，索引，切片，數學運算，線性代數，随機數等等，被較長的描述在這裡
（
https://pytorch.org/docs/torch）。】
二、NUMPY橋接器
将Torch Tensor轉換為NumPy array是一件輕而易舉的事（反之亦然）。Torch Tensor和NumPyarray共享其底層記憶體位置，更改一個将改變另一個。
1.将Torch Tensor轉換為NumPy array
a = torch.ones(5)
print(a) tensor([1., 1., 1., 1., 1.])
b = a.numpy()
print(b) [1. 1. 1. 1. 1.] 了解numpyarray的值如何變化。
a.add_(1)
print(a)
print(b) tensor([2., 2., 2., 2., 2.])
[2. 2. 2. 2. 2.]
-
将NumPy array轉換為Torch Tensor
了解如何自動地将np array更改為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) [2. 2. 2. 2. 2.]
tensor([2., 2., 2., 2., 2.], dtype=torch.float64) 除了Char（字元型）Tensor之外，CPU上的所有Tensors都支援轉換為NumPy及傳回。
三、CUDA TENSORS（張量）
可以使用.to方法将張量移動到任何裝置上。
# 僅當CUDA可用的情況下運作這個cell
# 我們用 ``torch.device`` 對象實作tensors在GPU上的寫入與讀出if torch.cuda.is_available():
device = torch.device("cuda") # 一個 CUDA 終端對象
y = torch.ones_like(x, device=device) # 直接在GUP上建立Tensor
x = x.to(device) # 或者直接使用字元串`.to("cuda")``
z = x + y
print(z)
print(z.to("cpu", torch.double)) # `.to`` 也可以改變對象資料類型 tensor([2.4519], device='cuda:0')
tensor([2.4519], dtype=torch.float64) 原文釋出時間為：2018-12-19
本文作者：磐石
本文來自雲栖社群合作夥伴“
磐創AI”，了解相關資訊可以關注“
xunixs”微信公衆号
![TestLink導出用例轉換工具(XML2Excel)[圖]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)