一、torch概念
1.1简介
pytorch简称torch，意为深度学习框架。它使用**张量（tensor）**来表示数据，可以轻松地处理大规模数据集，且可以在GPU上加速。
pytorch基本功能：自动微分、自动求导等。
1.2安装
官网获得下载命令。
二、tensor概述
pytorch将数据封装成张量进行计算。
2.1概念
张量：元素类型相同的多维矩阵，可以在GPU上于运行。
张量的维度决定了它的形状：
（1）0维张量：标量；
（2）1维张量：向量、数组；
（3）2维张量：矩阵；
（4）更高维度张量：图像、视频等。
2.2特点
（1）动态计算图；
（2）GPU支持；
（3）自动微分。
2.3数据类型
主要数据类型：浮点数float，整数int，布尔值True、False。
其中，浮点数和整数又分为8位、16位、32位、64位，加起来共9种。
三、tensor创建
3.1基本创建方式
（1）torch.tensor()
注意tensor为小写，根据指定的数据创建张量。
代码示例：
python
# 指定数据进行创建 torch.tensor
import torch
import numpy as np
# 用标量创建张量
data = torch.tensor(7) #0维张量
print(data)
print(data.shape)结果：
tensor(7)
torch.Size([])
（2）torch.Tensor()
注意tensor为大写，根据形状创建张量，也可用指定的数据创建张量。
代码示例：
python
# 指定形状进行创建 torch.Tensor
def test01():
tensor1 = torch.Tensor(3,4)
print(tensor1)
tensor2 = torch.Tensor([[1],[2],[3]])
print(tensor2,tensor2.dtype)
tensor3 = torch.Tensor([0])
print(tensor3.shape,tensor3.dtype)
tensor1 = torch.Tensor([1,2]).int()
print(tensor1.dtype)
if __name__ == '__main__':
test01()结果：
tensor([[-4.6947e-33, 1.9716e-42, 0.0000e+00, 0.0000e+00],
0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00\], \[ 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00\]\]) tensor(\[\[1.\], \[2.\], \[3.\]\]) torch.float32 torch.Size(\[1\]) torch.float32 torch.int32 （3）torch.**IntTensor()** 用于创建指定类型的张量。 代码示例： ```python # 指定类型进行创建 torch.IntTensor data = torch.IntTensor(3,3) print(data) print(data.shape,data.dtype) ``` 结果： tensor(\[\[-1983708176, 1407, 0\], \[ 0, 0, 0\], \[ 0, 0, 0\]\], dtype=torch.int32) torch.Size(\[3, 3\]) torch.int32 ### 3.2创建线性张量 利用API： torch.arange():PyTorch 中用于生成一个一维张量（向量）的函数，该张量包含从起始点到结束点（不包括结束点）的等间隔数值序列。 torch.linspace((start,end,steps)):返回一个一维张量，包含在区间 \`\[start, end\]\` 上均匀间隔的 \`steps\` 个点。 代码示例： ```python # 创建线性张量 import torch def tensor(): data = torch.arange(0,9,2) print(data,data.shape,data.dtype) data1 = torch.linspace(1,10,3) print(data1,data1.shape,data1.dtype) tensor() ``` 结果： tensor(\[0, 2, 4, 6, 8\]) torch.Size(\[5\]) torch.int64 tensor(\[ 1.0000, 5.5000, 10.0000\]) torch.Size(\[3\]) torch.float32 ### 3.3创建随机张量 随机数种子：torch.manual_seed() 获取随机数种子：torch.initial_seed() 创建随机张量：torch.rand--均匀分布 / torch.randn--正态分布 代码示例： ```python # 创建随机张量 import numpy as np def random_t(): torch.manual_seed(33) print(torch.initial_seed()) data = torch.rand(3,4) data2 = torch.randn(2,3).int() print(data,data.shape,data.dtype) print(data2,data2.shape,data2.dtype) return random_t() ``` 结果： 33 tensor(\[\[0.6186, 0.5587, 0.1937, 0.3360\], \[0.2008, 0.6970, 0.6367, 0.1452\], \[0.8213, 0.2365, 0.3702, 0.9168\]\]) torch.Size(\[3, 4\]) torch.float32 tensor(\[\[ 0, 0, -1\], \[ 0, -1, 1\]\], dtype=torch.int32) torch.Size(\[2, 3\]) torch.int32 ## 四、tensor常见属性 ### 4.1获取属性 Tensor张量常见属性有三个：dtype（获取类型）,shape（获取形状）,device（获取运行设备） 代码示例： ```python import torch import numpy as np data = torch.tensor(np.random.randint(0,10,(2,2))) print(data) print(data.shape) print(data.dtype) print(data.device) ``` 结果： tensor(\[\[4, 4\], \[6, 5\]\], dtype=torch.int32) torch.Size(\[2, 2\]) torch.int32 cpu ### 4.2切换设备 主要是指CPU，GPU之间的相互转换。 **注意：这里都要重新赋值** （1）直接data.cuda() （2）在创建张量时指定device类型 （3）重新赋值data.to(device) 代码示例： ```python # 切换设备 import torch import numpy as np data = torch.tensor(np.random.randint(0,10,(2,2))) print(data) print(data.shape) print(data.dtype) print(data.device) device = 'cuda' if torch.cuda.is_available() else 'cpu' data_new = data.to(device=device) print(data_new.device) data2 = torch.tensor([1,2,3],device='cpu') print(data2.device) data3 = torch.tensor([1,2,3],dtype=torch.float32) data3_new = data3.cuda() print(data3_new.device) ``` 结果： tensor(\[\[4, 6\], \[5, 8\]\], dtype=torch.int32) torch.Size(\[2, 2\]) torch.int32 cpu cpu cpu Torch not compiled with CUDA enabled(这里是因为我没有安装GPU) ### 4.3类型转换 （1）使用type进行转换，在type（）括号内填上需要转换为的目标类型； （2）重新赋值 data = data.int() （3）创建张量时指定类型 dtype= torch.int64 代码示例： ```python # 类型转换 import torch import numpy as np data = torch.tensor(np.random.randn(3,4),dtype=torch.int64) print(data,data.dtype) data2 = torch.tensor([[1,2],[3,4]]) data2 = data2.float() print(data2,data2.dtype) data3 = torch.tensor([8,9,0]) data3 = data3.type(torch.bool) print(data3,data3.dtype) ``` 结果： tensor(\[\[ 0, 0, 0, -2\], \[ 0, 1, 0, -1\], \[ 1, 0, 0, 0\]\]) torch.int64 tensor(\[\[1., 2.\], \[3., 4.\]\]) torch.float32 tensor(\[ True, True, False\]) torch.bool ## 五、小结 综上，简单学习了张量的创建以及张量相关属性的获取，数据类型的修改方式。都是一些简单的基本操作，但是对于不熟的代码还是要勤加练习。