一. pytorch基本概念
张量（Tensors)
x = torch.Tensor(3,5) 构建未初始化的张量
x = torch.rand(3,5) 构建一个随机初始化的矩阵
x.size() 或者 x.shape 获取矩阵的大小
二. pytorch 操作
语法1:
x + y x = torch.rand(2,3)
语法2:
torch.add(x,y)
语法3:
result = torch.Tensor(3,5) torch.add(x,y,out=result)
语法4:
y ._add(x)
原地操作 (in-place)
任何在原地(in-place)改变张量的操作都有一个'_'后缀。
三. numpy桥
把一个torch张量转换为numpy数组或者反过来都是很简单的。
Torch张量和numpy数组将共享潜在的内存，改变其中一个也将改变另一个。a.add_(1)
把Torch张量转换为numpy数组 :
a = torch.ones(5) b= a.numpy()
把numpy数组转换为torch张量:
torch.from_numpy(b)
所有在CPU上的张量，除了字符张量，都支持在numpy之间转换。
你可以使用所有的numpy索引操作: print(a[:,1])
四. CUDA张量
使用.cuda函数可以将张量移动到GPU上。
if torch.cuda.is_available() :
x = x.cuda()
五. pytorch函数操作
torch.max
返回输入tensor中所有元素的最大值
torch.max(input,dim)
按维度dim 返回最大值
torch.max)(a,0)
返回每一列中最大值的那个元素，且返回索引（返回最大元素在这一列的行索引）
torch.max(a,1)
返回每一行中最大值的那个元素，且返回其索引（返回最大元素在这一行的列索引）
torch.max()[0]
只返回最大值的每个数
troch.max()[1]
只返回最大值的每个索引
torch.eq
target.eq(source)
target.eq(source).sum() 统计相等的个数 输出tensor(2)
torch.view
a.view(i,j)
表示将原矩阵转化为i行j列的形式 , i为-1表示不限制行数
torch.squeeze()
压缩矩阵
a.squeeze(i)
压缩第i维，如果这一维维数是1，则这一维可有可无，便可以压缩
torch.unsqueeze()
unsqueeze(i)
表示将第i维设置为1
squeeze、unsqueeze操作不改变原矩阵
torch.cat()
cat(seq,[dim],out=None)
seq 表示要连接的两个序列.dim表示以哪个维度连接. dim=0横向连接,dim=1 纵向连接.
a = torch.rand((10,2))
b = torch.rand((10,2))
c = torch.cat((a,b),dim=0) 横向连接 按行拼接，结构列数不变，行变多
d = torch.cat((a,b),dim=1) 纵向连接 按列拼接，结构行数不变，需要列相同
