PyTorch张量操作：从入门到精通

PyTorch 学习笔记与代码实操

一、PyTorch 简介

• 定位：基于 Python 的科学计算包，服务于两类人群：

  1. NumPy 替代品：利用 GPU 加速数值计算。

  2. 深度学习平台：兼顾灵活性与速度，支持动态计算图。

• 核心概念 ：张量 (Tensor) ，类似于 NumPy 的 ndarray，但可运行在 GPU 上。

---

二、张量 (Tensor) 基础

张量就是 PyTorch 中的基本数据容器，相当于支持 GPU 和自动微分的多维数组。

1. 导入 PyTorch

import torch

2. 创建张量的常用方法

方法	说明
torch.empty(shape)	未初始化的张量
torch.rand(shape)	均匀分布 [0,1) 随机初始化
torch.zeros(shape, dtype)	全零张量
torch.tensor(data)	从已有数据创建
x.new_ones(shape)	基于 x 的 dtype/device 创建全1张量
torch.randn_like(x)	形状同 x，标准正态分布随机初始化
torch.zeros_like(x)	形状同 x，全零

代码示例：

# 未初始化 5x3 矩阵
x = torch.empty(5, 3)
print("empty:\n", x)

# 随机初始化
x = torch.rand(5, 3)
print("rand:\n", x)

# 全零，指定数据类型为 long
x = torch.zeros(5, 3, dtype=torch.long)
print("zeros:\n", x)

# 从列表创建
x = torch.tensor([5.5, 3])
print("from list:\n", x)

# 基于已有张量创建
x = x.new_ones(5, 3, dtype=torch.double)   # 全1，double类型
print("new_ones:\n", x)

x = torch.randn_like(x, dtype=torch.float) # 形状同 x，float类型，随机值
print("randn_like:\n", x)

3. 张量的属性

• 形状 ：x.size() 返回 torch.Size 对象，本质是元组。

• 维度 ：x.dim()

• 数据类型 ：x.dtype

• 设备 ：x.device

print("Shape:", x.size())      # torch.Size([5, 3])
print("Dimension:", x.dim())   # 2
print("Dtype:", x.dtype)       # torch.float32

---

三、张量的基本操作

1. 加法运算

y = torch.rand(5, 3)

# 方法1: 运算符 +
result1 = x + y
print("x + y:\n", result1)

# 方法2: torch.add()
result2 = torch.add(x, y)
print("torch.add(x, y):\n", result2)

# 方法3: 指定输出张量
result3 = torch.empty(5, 3)
torch.add(x, y, out=result3)
print("out result:\n", result3)

# 方法4: in-place 加法 (会改变 y)
y.add_(x)
print("y after add_:\n", y)

注意 ：任何会改变张量的操作都有 _ 后缀，如 add_、copy_、t_。

2. 索引与切片

与 NumPy 类似，支持冒号索引。

# 取第 1 列（所有行）
print(x[:, 1])

3. 改变形状 -- view()

x = torch.randn(4, 4)
y = x.view(16)          # 展平为一维
z = x.view(-1, 8)       # -1 自动推导，变成 2x8
print(x.size(), y.size(), z.size())   # torch.Size([4,4]) torch.Size([16]) torch.Size([2,8])

4. 取出张量中的数值（标量）

若张量只有一个元素，用 .item() 取出 Python 数值。

x = torch.tensor([3.14])
print(x.item())   # 3.14

---

四、完整实操代码（可复制运行）

# -*- coding: utf-8 -*-
import torch

print("="*40)
print("1. 创建张量")
print("="*40)

# 未初始化
a = torch.empty(2, 3)
print("empty(2,3):\n", a)

# 随机初始化
b = torch.rand(2, 3)
print("rand(2,3):\n", b)

# 全零
c = torch.zeros(2, 3, dtype=torch.long)
print("zeros(2,3,long):\n", c)

# 从数据创建
d = torch.tensor([[1,2],[3,4]])
print("tensor([[1,2],[3,4]]):\n", d)

# 基于已有张量创建
e = d.new_ones(2, 3, dtype=torch.double)
print("new_ones:\n", e)

f = torch.randn_like(e, dtype=torch.float)
print("randn_like:\n", f)

print("\n" + "="*40)
print("2. 张量属性")
print("="*40)
print("f.size():", f.size())
print("f.dim():", f.dim())
print("f.dtype:", f.dtype)

print("\n" + "="*40)
print("3. 加法操作")
print("="*40)
x = torch.rand(2, 3)
y = torch.rand(2, 3)
print("x:\n", x)
print("y:\n", y)

# 加法方式1
z1 = x + y
print("x + y:\n", z1)

# 加法方式2
z2 = torch.add(x, y)
print("torch.add(x,y):\n", z2)

# 加法方式3 (指定输出)
out = torch.empty(2, 3)
torch.add(x, y, out=out)
print("out result:\n", out)

# in-place 加法
y.add_(x)
print("y.add_(x) -> y:\n", y)

print("\n" + "="*40)
print("4. 索引与切片")
print("="*40)
print("x 的第 1 列:", x[:, 1])

print("\n" + "="*40)
print("5. 改变形状 (view)")
print("="*40)
mat = torch.randn(4, 4)
flat = mat.view(16)
reshaped = mat.view(-1, 8)
print("原始形状:", mat.size())
print("view(16):", flat.size())
print("view(-1,8):", reshaped.size())

print("\n" + "="*40)
print("6. 标量取值 item()")
print("="*40)
scalar = torch.tensor(9.99)
print("scalar =", scalar)
print("scalar.item() =", scalar.item())

---

五、要点速记

概念	说明
torch.Tensor	默认张量类型（float32）
dtype	可选 torch.long, torch.double, torch.float 等
view()	重塑张量，共享内存（高效）
item()	取出标量张量的 Python 值
_ 后缀	in-place 操作，如 y.add_(x)
GPU 支持	用 .cuda() 将张量移到 GPU

运行以上代码，即可掌握 PyTorch 张量的核心操作。