* torch.Tensor存储和转换数据的工具
* Tensor类似于Ndarray多维数组，提供GPU计算和梯度自动计算
*标量： 0纬张量，1个数字
*向量： 1皮克张量，[ ]
*矩阵： 2皮克张量，[]
首先导入torch，确认版本号
导入途径#打印途径版本
确定是否支持print(Torch.__version_ ) (GPUtorch.cuda.is_avaliable ) )
代码执行后的结果为1.4.0
真的
创建Tensor
1.11直接创建
*torch.tensor(value )
* value:可以是任何维的张量
创建print ('标量5 ) )
x=Torch.tensor(5) print '创建向量() ) )
创建y=torch.tensor ([ 2，3 ] ) print ) )矩阵([] )
z=torch.tensor ([ 1，2 ]，
[ 2，3 ] )打印(x )打印(y )打印(z ) ) ) ) ) ) ) )。
输出结果如下。
创建标量5
创建向量[]
创建矩阵[ ]。
tensor(5) )。
tensor ([ 2，3 ]
tensor ([ 1，2 ]，
[ 2，3 ] )
1.2创建用法
*torch.empty(shape，dtype=type ) :可以创建未初始化的Tensor并指定数据类型，dtype参数可选
*创建*Torch.rand(shape ) :随机矩阵
*Torch.Zeros(shape ) :创建0矩阵
*所有创建维都是双纬矩阵
print ('创建二维未初始化矩阵) )
a=Torch.empty () 2，2 ) ) print (a ) print )，创建随机矩阵)
b=torch.rand ((2，2 ) ) print (b ) print ) )“创建0矩阵”)。
c=torch.zeros ((2，2 ) ) print(C ) c ) ) ) ) ) )。
输出结果如下。
创建二维未初始化矩阵
tensor ([ 0.0000 e00，1.4279 e00 ]，
[-9.3980 e-11，4.5908 e-41 ] )
随机矩阵的建立
tensor ([ 0.3857，0.0058 ]，
[ 0.1388，0.9339 ] )
创建0矩阵
tensor([0.0.]，
[0.0.] )
1.3由现有登索创建
*matrix.new_ones(shape，dtype )可以改变维度
*Torch.Randn_like(matirx，dtype ) ) ) ) ) ) ) ) )。
print ()重新创建原始2*2未初始化矩阵) )
b=b.new _ ones (5，3 ) print (b ) print ) )“重新创建原始2*2未初始化矩阵”
a=Torch.Randn_like(a，dtype=torch.float ) print(A ) a ) ) )。
输出结果如下。
重新创建原始2*2未初始化矩阵
tensor([1.1 .1.]，
[1.1 .1.]，
[1.1 .1.]，
[1.1 .1.]，
[1.1 .1.] )
重新创建原始2*2未初始化矩阵
tensor([0.1454，-0.1173]，
[-0.7503，0.5255 ] )
1.4Tensor基本方法
* matrix.shape:获得Tensor形状
*matirx.size(:获取Tensor形状并返回tuple，支持tuple的所有操作
print (获取b矩阵的形状) (print ) b.shape (print ) b.size ) )
输出结果如下。
获取b矩阵的形状
torch.size ([ 5，3 ] )。
torch.size ([ 5，3 ] )。
2 Tensor操作
2.1算法操作
2.11加法操作
*矩阵1 mati rx 2
* torch.add (矩阵1、矩阵2、out=A ) out指定输出参数，可选
*inplacematrix1.add_(matrix2)==(mati rx1=matrix2) ) ) ) ) ) )。
print ()使用完成加法操作) ) print ) ) ac ) print ) )
用torch.add完成加法操作")print(torch.add(A,C))print("使用inplace完成加法操作")print(C.add_(A))输出结果是：
使用+完成加法操作
tensor([[0.1454, -0.1173],
[-0.7503, 0.5255]])
使用torch.add完成加法操作
tensor([[0.1454, -0.1173],
[-0.7503, 0.5255]])
使用inplace完成加法操作
tensor([[0.1454, -0.1173],
[-0.7503, 0.5255]])
2.1.2 索引
* 类似于Numpy
* 索引结果与原数据共享内存
A = torch.rand(5,5)print('查看创建Tensor')print(A[1][1])
A[1][1] = 5
print("查看A矩阵第一行第一列是否为5")print(A[1][1])
输出结果是：
查看创建Tensor
tensor(0.6124)
查看A矩阵第一行第一列是否为5
tensor(5.)
2.1.3 改变形状
* marix.clone() 等待的大碗副本，解决共享内存带来的问题
* matrix.view(shape) view() 前后共享data
* matrix.reshape(shape)
#查看clone与变量赋值的区别
print("查看A变量地址")print(id(A))
A_cl=A.clone()print('查看等待的大碗副本地址')print(id(A_cl))
A_an=Aprint('查看变量重新赋值后的地址')print(id(A_an))
输出结果是：
查看A变量地址2337547400576查看等待的大碗副本地址2337538344512查看变量重新赋值后的地址2337547400576
note:这里主要是解释共享data的问题。直接view()的话维度改变，操作的是同一内存的数据。不会生成新的维度的数据。
* 变量赋值相当于引用，地址不变，只想同一块内存
* clone()操作会重新申请内存空间
* matrix.item() 将标量Tensor转化为number
* https://pytorch.org/docs/stable/tensors.html Tensor操作链接
2.1.4 Tensor的广播机制
* 自动使得运算的Tensor相同的操作
* 首先会比较最靠右的维度，如果最靠右的维度相等或其中一个为 1，则认为此维度相等；
* 再继续向左比较，如果一直满足，则认为两者兼容；
* 最后，分别在对应维度上发生广播，以此补齐直到维度一致；
x = torch.rand(4 , 6)
y= torch.rand(4, 1)print(torch.add(x , y))
输出结果是：
tensor([[0.6108, 0.1842, 0.9873, 0.9042, 0.2456, 0.4298],
[1.0251, 0.6726, 1.2724, 1.2861, 1.1256, 0.5654],
[1.0223, 0.3473, 0.5952, 0.3701, 0.4500, 0.4993],
[0.0542, 0.9524, 0.1668, 0.5762, 0.0671, 0.4689]])
2.1.5 Tensor与Numpy的相互转换
* tensor.numpy() 可将Tensor转为ndarray数据
a = torch.rand(3,2)print(id(a))
b=a.numpy()print(id(b))print(a)print(b)
输出结果为：2337547166400
2337547429088tensor([[0.3145, 0.9862],
[0.7604, 0.9342],
[0.3104, 0.7312]])
[[0.31446308 0.9861587]
[0.7603721 0.9341993]
[0.31042498 0.73123205]]
Numpy转为Tensor
* torch.from_numpy(array)
* torch.Tensor()
importnumpy as np
c=torch.from_numpy(b)
d=torch.Tensor(b)print(type(c))print(type(d))
2.1.6 Tensor on GPU
* .to("cuda") 将Tensor在GPU上运算
x.to("cuda")
* .to(device) 将Tensor在GPU运算
torch.device("cuda")
x.to(device)
* .to("cpu") 将Tensor在CPU上运算
验证GPU的运算速度
%%time #jupyter notebook中的魔法语句，可以输出当前代码块的运行速度print("使用device")
device= torch.device("cuda")
x= torch.rand(200,100).to(device)
y= torch.rand(200,100).to(device)print(x + y)
输出结果是：
使用device
tensor([[1.3311, 1.7433, 1.1089, ..., 0.8775, 1.1430, 0.4877],
[1.1953, 0.3628, 0.6479, ..., 0.4781, 0.9154, 1.3447],
[1.2134, 0.5482, 1.7713, ..., 0.9025, 1.1786, 0.2083],
...,
[0.9276, 0.8605, 0.9905, ..., 0.9992, 1.1613, 0.8636],
[1.2191, 0.6350, 0.9921, ..., 1.7540, 1.0139, 1.2921],
[1.2137, 0.9510, 0.9126, ..., 0.8433, 0.5871, 1.0881]],
device='cuda:0')
Wall time:6.45 s
验证CPU运算速度
%%timeprint("使用CPU")
x= torch.rand(200,100).to("cpu")
y= torch.rand(200,100).to("cpu")print(x + y)
输出结果是：
使用CPU
tensor([[1.4920, 1.1891, 0.0936, ..., 0.5056, 1.6395, 1.0162],
[1.4211, 0.9837, 1.1501, ..., 1.2990, 0.7121, 0.3505],
[1.1503, 1.0263, 1.4055, ..., 0.6856, 0.3320, 0.7620],
...,
[0.4615, 1.0520, 1.3409, ..., 1.1014, 1.0806, 0.9630],
[0.9770, 1.4159, 1.6652, ..., 0.9515, 1.2479, 1.2459],
[0.7622, 0.9159, 0.9734, ..., 0.5249, 0.1216, 0.6906]])
Wall time:112 ms
查看同样维度矩阵计算GPU与CPU的速度差异
print("GPU 比 CPU 的运算速度块: %.2f 倍" %(112 / 6.45))
输出结果是：
GPU 比 CPU 的运算速度块:17.36 倍