PyTorch - 1. 张量（Tensor）

什么是 PyTorch 张量？

PyTorch 中的张量（Tensor）是一个可以在 GPU 或 CPU 上进行高效计算的多维数组，类似于 NumPy 的 ndarray，但支持自动求导和 GPU 加速。

import torch

# 创建一个 2x3 的张量
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(x)

常用张量创建方法

# 从列表创建
torch.tensor([[1, 2], [3, 4]])

# 创建全0、全1张量
torch.zeros(2, 3)
torch.ones(2, 3)

# 创建随机数张量
torch.randn(2, 3)       # 正态分布
torch.rand(2, 3)        # 均匀分布

torch.randint(0, 10, (2, 3))  # 范围整数

torch.full((2, 3), 7)         # 全填7

张量属性

x = torch.randn(2, 3)

x.shape       # torch.Size([2, 3])
x.dtype       # 数据类型（如 torch.float32）
x.device      # 所在设备（如 'cuda:0' 或 'cpu'）

张量操作

a = torch.tensor([1, 2])
b = torch.tensor([3, 4])

a + b                # 加法
torch.dot(a, b)      # 点乘

A = torch.randn(2, 3)
B = torch.randn(3, 4)
torch.matmul(A, B)   # 矩阵乘法

A.T                  # 转置
A.view(6)            # 改变形状
A.view(-1, 2)        # 自动推导维度

GPU 加速

# 检查 GPU 是否可用
torch.cuda.is_available()

# 转移到 GPU
x = x.to("cuda")

# 回到 CPU
x = x.to("cpu")

自动求导

x = torch.tensor([2.0, 3.0], requires_grad=True)
y = x ** 2 + 2 * x
z = y.sum()

z.backward()         # 自动反向传播
print(x.grad)        # 输出梯度

NumPy 互操作

# Tensor 转 NumPy
x.numpy()

# NumPy 转 Tensor
import numpy as np
torch.from_numpy(np.array([1, 2, 3]))