pytorch 0.4.0（一）：基本tensor运算 - 好文

pytorch的0.4.0版本相对0.3.0做了一些改进，总体上使用更加方便。

不加初始化地构建矩阵，使用torch.empty(row, column).

随机初始化矩阵，使用torch.rand(row, column).

可以和numpy中定义一些矩阵一样，如
x = torch.zeros(5, 3, dtype=torch.float) x = torch.tensor([5.5, 3]) #构建指定元素的矩阵
可以在已有的tensor基础上新建tensor:
x = x.new_ones(5, 3, dtype=torch.double) # new_* 方法定义新的tensor x =
torch.randn_like(x, dtype=torch.float) # 重写数据类型，尺寸保持一致
x.size()的结果是torch.Size([rows, columns])，torch.Size 实际上是一个元组,
因而支持元组操作。x.size(0)为行数，列则为1.

加法的语法：直接使用‘+’号；torch.add(x, y); torch.add(x, y, out=result)。

任何要原地改动tensor的操作，需要加 _. 比如: x.copy_(y), x.t_(), x.add_(y)will change x.

索引方法和numpy一样，如 x[:, 1]。

使用torch.view(v1,v2,...)来resize或者reshape tensor，例如
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])如果一个tensor只有一个元素，那么可以使用
.item()方法取出这个元素作为普通的python数字。
tensor和numpy之间的转化与0.3.0版本一样，由tensor向numpy转化使用例子如下，注意这种操作的结果是tensor和numpy始终同变化：
a = torch.ones(5) print(a) Out: tensor([ 1., 1., 1., 1., 1.]) b = a.numpy()
print(b) Out: [1. 1. 1. 1. 1.] a.add_(1) print(a) print(b) Out: tensor([ 2.,
2., 2., 2., 2.]) [2. 2. 2. 2. 2.]
由numpy向tensor转化的例子如下，二者依然是同步变化的（即改变其中一个，另一个自动变化）：
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)tensor可以通过使用 .to 方法移动到任何设备上，这是0.4.0版本的一个优点。
# 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_like(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!

热门工具换一换