1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
# 创建张量
import torch
x = torch.empty(5,3)                   # 创建空的张量(未初始化)
x = torch.rand(5,3)                    # 创建随机张量(在[0,1)中完全随机)
x = torch.randn(5,3)                   # 创建随机张量(正态分布)
x = torch.zeros(5,3,dtype=torch.long)  # 创建全0的,元素类型为long的张量
x = torch.ones(5,3)                    # **创建全1的**
x = torch.tensor([5.5,3])              # 创建张量并初始化
x = x.new_ones(5, 3, dtype=torch.double)      # new_* 方法来创建对象
x = torch.randn_like(x, dtype=torch.float)    # 覆盖 dtype,生成的对象的大小和传入的相同,只是值和类型发生了变化
print(x.size())                        # torch.Size([5, 3])

# 张量操作
print(x + y)                           # 方法一: 直接进行加法
print(torch.add(x, y))                 # 方法二: 利用成员函数进行加法

result = torch.empty(5, 3)             # 方法三: 指定输出对象
torch.add(x, y, out=result)
print(result)

y.add_(x)                              # 方法四: 注意,这种方法(以下划线结尾的方法,会导致y本身值的改变)
print(y)

# 你可以使用与NumPy索引方式相同的操作来进行对张量的操作(还需深入学习)

# view的基本原理是把张量排成一行,然后再根据给的参数进行重新排列
x = torch.randn(4, 4)                  # 大小为4*4
y = x.view(16)                         # 大小为16*1
z = x.view(-1, 8)                      # 某一维的大小如果为-1,则从其他维度推断,最多只能有一个-1出现.故Z的大小是2*8.如果没有-1存在,则各维度的乘积必须等于原张量的元素个数


# 注: torch和numpy虽然可以互相转化,但是其本质上使用了相同的内存空间,所以下文的a和b会被同步修改

# torch -> numpy
a = torch.ones(5)
b = a.numpy()

# numpy -> torch
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)


# CUDA 张量
# is_available 函数判断是否有cuda可以使用
# ``torch.device``将张量移动到指定的设备中
if torch.cuda.is_available():
    device = torch.device("cuda")          # a CUDA 设备对象
    y = torch.ones_like(x, device=device)  # 直接从GPU创建张量
    x = x.to(device)                       # 或者直接使用``.to("cuda")``将张量移动到cuda中
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))       # ``.to`` 也会对变量的类型做更改