深度学习|pytorch基本运算

【1】引言

pytorch是深度学习常用的包，顾名思义，就是python适用的torch包，在python里面使用时直接import torch就可以调用。

需要注意的是，pytorch包与电脑配置、python版本有很大关系，一定要仔细阅读安装要求、找到教程后再安装。由于已经有很多详细指导教程，这里就不再班门弄斧。

本文的写作目的是记录pytorch的基本运算、以备不时之需，欢迎大家一起学习和讨论。

大家也可以到pytorch的官网教程地址自主学习：Learning PyTorch with Examples --- PyTorch Tutorials 2.7.0+cu126 documentation

【2】基本运算

【2.1】导入包

导入包的操作非常简单，和其他包的导入一模一样：

python 复制代码

# 导入包
import torch

【2.2】生成随机张量

pytorch支持生成随机张量，和numpy包的操作一样，代码：

python 复制代码

# 导入包
import torch
# 定义随机量
x=torch.randn(3,4)
# 打印
print(x)

这里定义了一个3行4列且符合标准正态分布的随机矩阵，运算后的结果为：

++图1 torch.randn(3,4)++

关于torch.randn()函数的说明，可以通过官网教程进一步加深理解：

torch.randn --- PyTorch 2.7 documentation

torch.randn(*size , * , generator=None , out=None , dtype=None , layout=torch.strided , device=None , requires_grad=False , pin_memory=False ) → Tensor

torch.randn()函数的具体参数：

size，随机数矩阵/张量的行列尺寸
generator=None，随机数生成器，一般无需设置
out=None，输出张量，默认为没有，一般无需设置
dtype=None，生成随机数矩阵/张量的数据类型，一般无需设置，会默认跟随全局数据类型自动调整
layout=torch.strided，输出矩阵/张量的布局形式，一般默认即可，都是大家熟悉的矩阵样式
device=None，和电脑配置相关，一般无需设置
requires_grad=False，grad是求导操作，只要要求导的时候才会用
*pin_memory=False，*在内存中给张量分配空间，仅适用CPU张量，一般无需设置

【2.3】生成多维张量

pytorch支持生成多维张量，代码：

python 复制代码

# 导入包
import torch
# 生成多为维张量
y=torch.tensor([[1,2,3,4],
               [5,6,7,8],
               [1,3,5,7]])
#打印
print('y=',y)
# 生成空张量
z=torch.tensor([])
#打印
print('z=',z)

这里只调用了一个函数torch.tensor()，在函数中使用方括号"[]"可以直接定义张量，运算后的结果为：

++图2 torch.tensor([]++

关于torch.tensor()函数的说明，可以通过官网教程进一步加深理解：

torch.tensor --- PyTorch 2.7 documentation

torch.tensor(data , * , dtype=None , device=None , requires_grad=False , pin_memory=False ) → Tensor

torch.tensor()函数的具体参数：

data，张量的初始数据。可以是列表、元组、NumPy ndarray、标量和其他类型
dtype=None，生成随机数矩阵/张量的数据类型，一般无需设置，会默认跟随全局数据类型自动调整
device=None，和电脑配置相关，一般无需设置
requires_grad=False，grad是求导操作，只要要求导的时候才会用
pin_memory=False，在内存中给张量分配空间，仅适用CPU张量，一般无需设置

【2.4】张量变形

pytorch支持张量变形运算，代码：

python 复制代码

# 导入包
import torch
# 生成多为维张量
y=torch.tensor([[1,2,3,4],
               [5,6,7,8],
               [1,3,5,7]])
#打印
print('y=',y)
# 变形
y=y.reshape(2,6)
# 打印
print('y=',y)

这里只调用了一个函数reshape()，原始张量是3行4列，reshape之后变化成2行6列，运算后的结果为：

++图3 reshape()++

这里使用的reshape()函数是通过张量加点的形式直接调用，torch包也允许通过torch.reshape()的形式进行变形，官网链接为：

torch.reshape --- PyTorch 2.7 documentation

这里的调用形式为：

torch.reshape(input , shape ) → Tensor

input，待变形的张量

shape，张量变形后的尺寸

可以依据这个形式重写上述代码，最后运行效果一样：

python 复制代码

# 导入包
import torch
# 生成多为维张量
y=torch.tensor([[1,2,3,4],
               [5,6,7,8],
               [1,3,5,7]])
#打印
print('y=',y)
# 变形
y=torch.reshape(y,(2,6))
# 打印
print('y=',y)

【2.5】张量加减

pytorch支持不同张量在同一位置进行加减运算，代码：

python 复制代码

import torch
# 生成多为维张量
a=torch.tensor([[1,2,3,4],
               [5,6,7,8],
               [1,3,5,7]])
b=torch.tensor([[1,2,2,3],
               [5,6,2,8],
               [1,3,8,7]])
# 打印
print('a',a)
print('b',b)
# 张量加减法
y=a+b
z=a-b
# 打印
print(y)
print(z)

代码运行后：

++图4 加减法++

张量加减是在同一位置上进行的，需要提前准备好各个位置上的元素。

如果两个张量大小不一致，pytorch也能进行加减运算，这就是广播机制。

【2.6】张量广播运算

pytorch支持张量广播运算，代码：

python 复制代码

# 导入包
import torch
# 生成多为维张量
y=torch.tensor([1,2,3])
z=torch.tensor([
    [3],
    [2],
    [1]
])
#打印
print('y=',y)
print('z=',z)
# 
a=y+z
print('a=',a)

代码非常清楚，y是行向量，z是列向量，这两个张量形式上完全不一样，所以直接看运算效果来反推pytorch是如何广播的：

++图5 广播-加法++

计算结果表明，行向量y按照行广播，列向量z按照列广播，广播后变成同等大小的张量，然后对相同位置的各个元素进行叠加。

可以使用以下代码测试：

python 复制代码

# 导入包
import torch
# 生成多为维张量
y=torch.tensor([[1,2,3],
               [1,2,3],
                [1,2,3]])
z=torch.tensor([
    [3,3,3],
    [2,2,2],
    [1,1,1]
])
#打印
print('y=',y)
print('z=',z)
#
a=y+z
print('a=',a)

代码运行效果：

++图6 加法++

对比图5和图6，运算效果一致。

在张量尺寸大小不一致时，pytorch进行加减法运算时自动执行广播运算，在保证两个张量外形尺寸一致后，再对同一位置的元素进行加减运算。

【3】总结

探索了部分pytorch的基本运算。