Pytorch介绍
1.Tensor
（1）定义
Tensor，即张量，与python中的array，list相似，简单理解成多维数组即可。
（2）如何生成
torch包中提供了一系列直接生成Tensor的函数，如 zeros()、ones()、rand() 等。
I. 可以用tensor(data)函数把某一表示数据的数组（其中data可为list,ndarray,array等）直接转化成tensor
data = [[1, 2], [3, 4]]
x_data = torch.tensor(data)
II.也可以通过 from_numpy(data) 函数将numpy.ndarray格式的数据转换为Tensor。
np_array = np.array(data)
x_np = torch.from_numpy(np_array)
III. 生成一个与其他Tensor具有相同dtype和device等属性的Tensor，使用torch的 ones_like(data) 或 rand_like(data) 等函数。
x_ones = torch.ones_like(x_data)
print(f"Ones Tensor: \n {x_ones} \n")
x_rand = torch.rand_like(x_data, dtype=torch.float)
print(f"Random Tensor: \n {x_rand} \n")
output：
Ones Tensor:
tensor([[1, 1],
[1, 1]])
Random Tensor:
tensor([[0.1121, 0.1375],
[0.3242, 0.8301]])
（3）tensor属性
I.shape是一个存储tensor维度大小的元组，返回tensor.size（也可以用size()函数）
shape = (2, 3,)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)
print(f"Random Tensor: \n {rand_tensor} \n")
print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor}")
output：
Random Tensor:
tensor([[0.1286, 0.5986, 0.0263],
[0.2793, 0.3721, 0.8690]])
Ones Tensor:
tensor([[1., 1., 1.],
[1., 1., 1.]])
Zeros Tensor:
tensor([[0., 0., 0.],
[0., 0., 0.]])
II.dtype
返回tensor中元素的数据类型
注意：一个 Tensor 的所有元素必须具有相同的数据类型（dtype），即它是 单一类型的张量。
III.device
返回存储tensor的设备（gpu or cpu）
tensor = torch.rand(3, 4)
print(f"Shape of tensor: {tensor.shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")
output：
Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu
（4）操作
I.将tensor放到gpu/cpu上
# We move our tensor to the GPU if available
if torch.cuda.is_available():
tensor = tensor.to('cuda')
print(f"Device tensor is stored on: {tensor.device}")
II. 索引和切片
tensor = torch.ones(4, 4)
tensor[:,1] = 0
print(tensor)
output:
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
III. Join(连接)
一般使用torch.cat()沿给定维度连接一系列张量
cat要求所有张量在 除拼接维度以外的其他维度上 shape 必须完全一致
（可以在理解dim的时候将dim=0的行维度理解成增加行的长度（宽度）;而将dim=1的列维度理解成增加列的长度）
torch.cat(tensor_list, dim)
//tensor_list 是一个张量列表，它们必须在除了拼接维以外的其他维度完全相同。
//dim 指定在哪个维度上拼接。
t1 = torch.cat([tensor, tensor, tensor], dim=1) // tensor为上一个代码的tensor
print(t1)
output:
tensor([[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.]])
//dim=0 是沿着行方向拼接
//dim=1 是沿着列方向拼接
也可以使用torch.stack（），stack 是创建一个新维度来堆叠张量（比如做 batch、组合图像等）。
stack要求所有张量 shape 完全一致。
IV. 加法
通过torch.add(a, b) 或 a + b或a.add(b)
V. 乘法
元素乘法：torch.mul(a, b) 或 a * b 或 a.mul(b)
a = torch.tensor([[1, 2], [3, 4]])
b = torch.tensor([[10, 20], [30, 40]])
out = torch.mul(a, b)
# 或者 out = a * b
print(out)
# tensor([[ 10, 40],
# [ 90, 160]])
矩阵乘法：torch.matmul(a, b) 或a @ b 或torch.mm(a, b)（仅适用于2D矩阵）
a = torch.tensor([[1, 2], [3, 4]])
b = torch.tensor([[5, 6], [7, 8]])
out1 = torch.matmul(a, b)
//[1*5 + 2*7, 1*6 + 2*8] = [19, 22]
//[3*5 + 4*7, 3*6 + 4*8] = [43, 50]
//tensor([[19, 22],
// [43, 50]])
注意：带有_都为就地操作，x.copy_(y), x.t_(), will change x.
print(tensor, "\n")
tensor.add_(5)
print(tensor)
output:
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
tensor([[6., 5., 6., 6.],
[6., 5., 6., 6.],
[6., 5., 6., 6.],
[6., 5., 6., 6.]])