189 8069 5689
本篇文章为大家展示了Tensors该怎么入门，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。
一、入门
1.Tensors（张量）
Tensors（张量）类似于NumPy中的ndarray，另外它还可以使用GPU加速计算。
from__future__import print_function
importtorch构造一个未初始化的5x3矩阵：
x = torch.empty(5, 3)
print(x)输出：
tensor([[-9.0198e-17, 4.5633e-41, -2.9021e-15],
[ 4.5633e-41, 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, 0.0000e+00]])构造一个随机初始化的矩阵：
x = torch.rand(5, 3)
print(x)输出：
tensor([[0.1525, 0.7689, 0.5664],
[0.7688, 0.0039, 0.4129],
[0.9979, 0.3479, 0.2767],
[0.9580, 0.9492, 0.6265],
[0.2716, 0.6627, 0.3248]])构造一个使用零填充、数据类型为long（长整型）的5X3矩阵：
x = torch.zeros(5, 3, dtype=torch.long)
print(x)输出：
tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])直接用一组数据构造Tensor（张量）：
x = torch.tensor([5.5, 3])
print(x)输出：
tensor([5.5000, 3.0000])
或者根据现有的Tensor（张量）创建新的Tensor（张量）。除非用户提供新值，否则这些方法将重用输入张量的属性，例如dtype：
x = x.new_ones(5, 3, dtype=torch.double) # 使用new_* 方法设定维度
print(x)
x = torch.randn_like(x, dtype=torch.float) # 重新设定数据类型
Print(x) # 结果维度不变输出：
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
tensor([[ 0.4228, 0.3279, 0.6367],
[ 0.9233, -0.5232, -0.6494],
[-0.1946, 1.7199, -0.1954],
[ 0.1222, 0.7204, -1.3328],
[ 0.1230, -0.5800, 0.4562]])输出它的大小：
print(x.size())
输出：
torch.Size([5, 3])
【注意：torch.Size 实际上是一个元组，因此它支持所有元组操作。】
2. 运算
Tensor运算有多种语法。在下面的示例中，我们将先示例加法运算。
加法运算：语法1
y = torch.rand(5, 3)
print(x + y)输出：
tensor([[ 0.0732, 0.9384, -0.2489],
[-0.6905, 2.1267, 3.0045],
[ 0.6199, 0.4936, -0.0398],
[-2.0623, -0.5140, 1.6162],
[ 0.3189, -0.0327, -0.5353]])加法运算：语法2
print(torch.add(x, y))
输出：
tensor([[ 0.0732, 0.9384, -0.2489],
[-0.6905, 2.1267, 3.0045],
[ 0.6199, 0.4936, -0.0398],
[-2.0623, -0.5140, 1.6162],
[ 0.3189, -0.0327, -0.5353]])加法运算：使用输出Tensor（张量）作为参数
result = torch.empty(5, 3)
torch.add(x, y, out=result)
print(result)输出：
tensor([[ 0.0732, 0.9384, -0.2489],
[-0.6905, 2.1267, 3.0045],
[ 0.6199, 0.4936, -0.0398],
[-2.0623, -0.5140, 1.6162],
[ 0.3189, -0.0327, -0.5353]])加法运算：内联接
# adds x to y
y.add_(x)
print(y)输出：
tensor([[ 0.0732, 0.9384, -0.2489],
[-0.6905, 2.1267, 3.0045],
[ 0.6199, 0.4936, -0.0398],
[-2.0623, -0.5140, 1.6162],
[ 0.3189, -0.0327, -0.5353]])【注意：任何改变原张量实现内联接的操作都是通过在后边加_ 实现的。例如：x.copy_(y)，x.t_()，将将改变x的值。】
你可以像在NumPy中一样使用索引及其他所有华丽的功能。
print(x[:, 1])
输出：
tensor([ 0.3279, -0.5232, 1.7199, 0.7204, -0.5800])
Resizing（调整大小）：如果要resize/reshape张量，可以使用torch.view：
x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8) # -1是推断出来的
print(x.size(), y.size(), z.size())输出：
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
如果你有只含一个元素的张量，可以用.item()获取它的值作为Python数值
x = torch.randn(1)
print(x)
print(x.item())输出：
tensor([0.1550])
0.15495021641254425【延伸阅读：100+张量操作，包括置换，索引，切片，数学运算，线性代数，随机数等等，被详细描述在这里
（https://pytorch.org/docs/torch）。】
二、NUMPY桥接器
将Torch Tensor转换为NumPy array是一件轻而易举的事（反之亦然）。Torch Tensor和NumPyarray共享其底层内存位置，更改一个将改变另一个。
1.将Torch Tensor转换为NumPy array
a = torch.ones(5)
print(a)输出：
tensor([1., 1., 1., 1., 1.])
b = a.numpy()
print(b)输出：
[1. 1. 1. 1. 1.]
了解numpyarray的值如何变化。
a.add_(1)
print(a)
print(b)输出：
tensor([2., 2., 2., 2., 2.])
[2. 2. 2. 2. 2.]2. 将NumPy array转换为Torch Tensor
了解如何自动地将np array更改为Torch Tensor
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)输出：
[2. 2. 2. 2. 2.]
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)除了Char（字符型）Tensor之外，CPU上的所有Tensors都支持转换为NumPy及返回。
可以使用.to方法将张量移动到任何设备上。
# 仅当CUDA可用的情况下运行这个cell
# 我们用 ``torch.device`` 对象实现tensors在GPU上的写入与读出if torch.cuda.is_available():
device = torch.device("cuda") # 一个 CUDA 终端对象
y = torch.ones_like(x, device=device) # 直接在GUP上创建Tensor
x = x.to(device) # 或者直接使用字符串`.to("cuda")``
z = x + y
print(z)
print(z.to("cpu", torch.double)) # `.to`` 也可以改变对象数据类型输出：
tensor([2.4519], device='cuda:0')
tensor([2.4519], dtype=torch.float64)脚本总运行时间：（0分6.338秒）
上述内容就是Tensors该怎么入门，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注创新互联-成都网站建设公司行业资讯频道。