PyTorch 24小时入门的第一章<张量的操作>的小结。关于PyTorch的安装，建议参考官网pytorch.org的conda安装命令。相关教程和资源见上一篇24小时入门PyTorch。
24小时入门PyTorch深度学习 1 简介
tensor(张量)是PyTorch中最基本的数据形式。 在PyTorch中，使用torch.Tensor类表示。
2 创建
2.1 torch.tensor()
从整数创建：scalar = torch.tensor(7)
从数组创建：vector = torch.tensor([7, 7])
从多维数组（矩阵）：MATRIX = torch.tensor([[7, 8], [9, 10]])
2.2 随机tensor: torch.rand()
random_tensor = torch.rand(size=(3, 4))
2.3 全0或全1（常用于masking操作)
zeros = torch.zeros(size=(3, 4))
torch.zeros_like(input)
ones = torch.ones(size=(3, 4))
torch.ones_like(input)
2.4 一串序列
torch.arange(start, end, step)
3 属性
通过.来访问张量的属性。常用的有：
- •
shape: tensor的形状 - •
dtype: tensor中元素的类型（float/double），默认是float32。通过.type(datatype)改变数据类型。如tensor_float16 = tensor.type(torch.float16) - •
device: tensor保存的设备(CPU or GPU)
4 运算
4.1
代码语言：javascript复制tensor = torch.tensor([1, 2, 3])
tensor 10 # tensor([11, 12, 13])
#或者使用函数torch.add()4.2 -
代码语言：javascript复制tensor = tensor - 10
tensor # tensor([-9, -8, -7])4.3 乘
- •
*(逐元素/element-wise)tensor * tensor - •
@矩阵乘法tensor @ tensor或tensor.matmul(tensor)注：@等价于torch.matmul()等价于torch.mm()矩阵乘法规则：1.内部维度匹配 2.输出是外部维度
4.4 汇聚
常见的汇聚 (aggregation)操作包括：min()、max()、mean()、sum()
使用tensor. 调用， 如 x.min()。
4.5 positinal max/min
使用 torch.argmax() 或 torch.argmin() ，可以获取最大值、最小值所在的索引。
5 形状
5.1 转置（改变tensor维度）
- •
torch.transpose(input, dim0, dim1) - •
tensor.T
5.2 Reshaping, stacking, squeezing and unsqueezing
- •
torch.reshape(input, shape)：改变input的形状为shape（如果可行） - •
torch.Tensor.view(shape)：返回原tensor的不同shape的view，但是和原tensor共享数据。改变view也会改变原始tensor。 - •
torch.stack(tensors, dim=0)：在某个维度(dim)拼接 tensor，尺寸需要匹配。 - •
torch.squeeze(input)：压缩input，移除dimension为1的维度 - •
torch.unsqueeze(input, dim)：在dim维度上增加一个维度 - •
torch.permute(input, dims)：返回一个view，和原始tensor共享数据，维度进行变换。如：x_original = torch.rand(size=(224, 224, 3))x_permuted = x_original.permute(2, 0, 1)# New shape: torch.Size([3, 224, 224])
6 索引
和Python list 或Numpy arrays 的索引类似。可用 : 表示该维度的所有值， 然后用, 继续表示下一维度。
例如：x[:, 0]。
Indexing 的顺序从外到内。
7 与Numpy交互
最常用是 在numpy array和 PyTorch tensor间转换的方法:
torch.from_numpy(ndarray) : NumPy array -> PyTorch tensor.
torch.Tensor.numpy() : PyTorch tensor -> NumPy array.
NumPy arrays的datatype为 float64，而PyTorch大多使用float32，所以一般需要再转换到float32：
tensor = torch.from_numpy(array).type(torch.float32)
8 随机种子
设置随机种子，方便复现结果。
torch.manual_seed(seed=42)
9 GPU上运行
查看GPU状态的命令行命令：nvidia-smi
查看PyTorch中GPU是否可用：
import torch
torch.cuda.is_available() # True创建device存储可用设备：
代码语言：javascript复制# Set device type
device = "cuda" if torch.cuda.is_available() else "cpu"查看GPU数量：
代码语言：javascript复制# Count number of devices
torch.cuda.device_count() # 1GPU从0开始编号，如果有多个GPU，
想使用第0个： device = 'cuda:0'
第1个： device = 'cuda:1'
数据转移 CPU-->GPU: .to(device)
tensor = torch.tensor([1, 2, 3])
tensor_on_gpu = tensor.to(device)GPU--> CPU : .cpu()
tensor_back_on_cpu = tensor_on_gpu.cpu()思维导图：
