pyTorch是一个基于python的计算包，主要有两个目的：
- 代替Numpy以发挥出GPU的优势
- 是一个深度学习的研究平台，提供最大化的灵活性和速度
开始
Tensors
Tensors与Numpy的ndarray非常相似，但它可以被用在GPU上以加速计算。
from __future__ import print_function
import torch
注意:一个没有被初始化的矩阵被申明后，在使用之前是不包含任何特定的值的。当一个没有初始化的矩阵被创建时，分配的内存中当时储存的值会成为初始值。
创建一个5x3的矩阵，不初始化它：
x = torch.empty(5, 3)
print(x)
Out:
tensor([[ 1.8918e-16, 4.5644e-41, -3.0675e-26],
[ 3.0773e-41, 0.0000e+00, 1.4013e-45],
[ 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]])
创建一个随机初始化的矩阵：
x = torch.rand(5, 3)
print(x)
Out:
tensor([[0.5524, 0.8042, 0.8140],
[0.2944, 0.1345, 0.2921],
[0.3099, 0.3343, 0.7377],
[0.0685, 0.1461, 0.9683],
[0.8908, 0.4492, 0.9506]])
创建一个矩阵，用0元素填满，元素类型为long：
x = torch.zeros(5, 3, dtype=torch.long)
print(x)
Out:
tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
直接从数据创建一个tensor：
x = torch.tensor([5.5, 3])
print(x)
Out:
tensor([5.5000, 3.0000])
或者基于现有的tensor创建一个tensor。这些方法会重复使用输入tensor的性质，比如dtype，除非使用者提供新的值：
x = x.new_ones(5, 3, dtype=torch.double) # new_* methods take in sizes
print(x)
x = torch.randn_like(x, dtype=torch.float) # override dtype!
print(x) # result has the same size
Out:
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
tensor([[-1.9325, 1.2030, -2.1360],
[-0.1392, 1.2079, 1.3194],
[-1.0496, 0.9343, 2.4428],
[-0.3567, -0.5195, -0.0276],
[ 1.8236, 0.1193, -0.5549]])
获取它的size：
print(x.size())
Out:
torch.Size([5, 3])
注意：torch.Size实际上是一个元组，所以它支持所有的元组操作。
操作
Tensor操作有多种语法。在接下的例子中，我们会看一下加法操作。
加法：语法1
y = torch.rand(5, 3)
print(x + y)
Out:
tensor([[-1.8346, 1.6518, -1.2673],
[ 0.1698, 1.8538, 2.2153],
[-0.0803, 0.9863, 3.2740],
[-0.0906, -0.3752, 0.8960],
[ 1.8271, 0.8586, -0.0483]])
加法：语法2
print(torch.add(x, y))
Out：
tensor([[-1.8346, 1.6518, -1.2673],
[ 0.1698, 1.8538, 2.2153],
[-0.0803, 0.9863, 3.2740],
[-0.0906, -0.3752, 0.8960],
[ 1.8271, 0.8586, -0.0483]])
加法：提供一个输出tensor作为参数
result = torch.empty(5, 3)
torch.add(x, y, out=result)
print(result)
Out:
tensor([[-1.8346, 1.6518, -1.2673],
[ 0.1698, 1.8538, 2.2153],
[-0.0803, 0.9863, 3.2740],
[-0.0906, -0.3752, 0.8960],
[ 1.8271, 0.8586, -0.0483]])
加法：in-place
# adds x to y
y.add_(x)
print(y)
Out:
tensor([[-1.8346, 1.6518, -1.2673],
[ 0.1698, 1.8538, 2.2153],
[-0.0803, 0.9863, 3.2740],
[-0.0906, -0.3752, 0.8960],
[ 1.8271, 0.8586, -0.0483]])
注意：任何的会改变一个tensor的in-place操作都有一个后缀_。例如：x.copy_(y)，x.t_()，会改变x的值。
你可以使用标准的类似于Numpy的指标。
print(x[:, 1])
Out:
tensor([ 1.2030, 1.2079, 0.9343, -0.5195, 0.1193])
Resizing:如果你想reshape一个tensor，你可以使用torch.view：
x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8) # the size -1 is inferred from other dimensions
print(x.size(), y.size(), z.size())
Out:
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
如果你有一个只有一个元素的tensor，使用.item()来获取它的值作为一个Python数字。
x = torch.randn(1)
print(x)
print(x.item())
Out:
tensor([-0.7521])
-0.7521063685417175
延伸阅读：关于更多的tensor操作，可以查看这里。
Numpy桥梁
把一个Torch Tensor转化为Numpy array和反过来是非常容易的。
Torch Tensor和Numpy array会共享它们的内存位置（如果Torch Tensor在CPU上），因此改变一个也会改变另一个。
将Torch Tensor转化为Numpy array
a = torch.ones(5)
print(a)
Out:
tensor([1., 1., 1., 1., 1.])
b = a.numpy()
print(b)
Out:
[1. 1. 1. 1. 1.]
注意numpy array的值是如何变化的。
a.add_(1)
print(a)
print(b)
Out:
tensor([2., 2., 2., 2., 2.])
[2. 2. 2. 2. 2.]
将Numpy Array转化为Torch Tensor
观察改变np array是如何自动改变Torch Tensor的。
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)
Out:
[2. 2. 2. 2. 2.]
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
所有的CPU上的Tensors除了CharTensor都支持转化成Numpy再转化回来。
CUDA Tensors
使用.to方法，Tensors可以被移动到任何设备。
# let us run this cell only if CUDA is available
# We will use "torch.device" objects to move tensors in and out of GPU
if torch.cuda.is_available():
device = torch.device("cuda") # a CUDA device object
y = torch.ones_lke(x, device=device) # directly create a tensor on GPU
x = x.to(device) # or just use strings ".to("cuda")"
z = x + y
print(z)
print(z.to("cpu", torch.double) # ".to" can also change dtype together!
Out:
tensor([0.2479], device='cuda:0')
tensor([0.2479], dtype=torch.float64)