【PyTorch深度学习60分钟快速入门】Part1：PyTorch是什么？

0x00 PyTorch是什么？

PyTorch是一个基于Python的科学计算工具包，它主要面向两种场景：

用于替代NumPy，可以使用GPU的计算力
一种深度学习研究平台，可以提供最大的灵活性和速度

0x01 开始学习

1、Tensors

Tensors（张量）类似于numpy的ndarrays，不过Tensors还可以运行于GPU上以提升计算速度。

from __future__ import print_function

import torch

创建一个5x3且未初始化的矩阵：

x = torch.Tensor(5, 3)

print(x)

输出结果：

 0.0000e+00  0.0000e+00  3.1766e-27

 4.5880e-41  3.1950e-27  4.5880e-41

 1.9468e-22  4.5880e-41  1.9468e-22

 4.5880e-41  2.3214e-22  4.5880e-41

 2.2306e-22  4.5880e-41 -2.7458e+32

[torch.FloatTensor of size 5x3]

创建一个随机初始化的矩阵：

x = torch.rand(5, 3)

print(x)

输出结果：

 0.9559  0.8026  0.4142

 0.8142  0.8763  0.6700

 0.4673  0.0675  0.3439

 0.2200  0.1499  0.6082

 0.7853  0.8487  0.8124

[torch.FloatTensor of size 5x3]

获取矩阵大小：

print(x.size())

输出结果：

torch.Size([5, 3])

注意：torch.Size实际上是一个元组，所以它支持元组的所有操作。

2、操作

PyTorch中的操作有很多不同的语法，下面我们以加法为例来学习其操作语法：

（1）加法：语法1

y = torch.rand(5, 3)

print(x + y)            # x为上文中定义的x

输出结果：

 1.7700  1.7643  1.3732

 1.3085  1.4576  0.9668

 0.9354  0.0891  0.4727

 0.6503  0.6814  1.2334

 1.5436  0.9600  1.0965

[torch.FloatTensor of size 5x3]

（2）加法：语法2

print(torch.add(x, y))            # x为上文中定义的x

输出结果：

 1.7700  1.7643  1.3732

 1.3085  1.4576  0.9668

 0.9354  0.0891  0.4727

 0.6503  0.6814  1.2334

 1.5436  0.9600  1.0965

[torch.FloatTensor of size 5x3]

（3）加法：将结果赋值给Tensor对象

result = torch.Tensor(5, 3)

torch.add(x, y, out=result)

print(result)

输出结果：

 1.7700  1.7643  1.3732

 1.3085  1.4576  0.9668

 0.9354  0.0891  0.4727

 0.6503  0.6814  1.2334

 1.5436  0.9600  1.0965

[torch.FloatTensor of size 5x3]

（4）加法：原地替换

# adds x to y

y.add_(x)

print(y)

输出结果：

 1.7700  1.7643  1.3732

 1.3085  1.4576  0.9668

 0.9354  0.0891  0.4727

 0.6503  0.6814  1.2334

 1.5436  0.9600  1.0965

[torch.FloatTensor of size 5x3]

注意： 任何原地改变张量值的操作后缀都是固定的_，例如：x.copy_(y)、x.t_()，都将原地改变x的值。

另外，你可以使用标准的numpy索引来操作Tensor对象。

print(x[:, 1])

输出结果：

 0.8026

 0.8763

 0.0675

 0.1499

 0.8487

[torch.FloatTensor of size 5]

调整大小：如果你想调整或重塑张量形状，那么可以使用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())

输出结果：

torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

扩展阅读： 这里介绍了超过100个Tensor操作，包括转置、索引、切片、数学操作、线性代数、随机数等。

0x02 NumPy转换

将torch中的张量转换为numpy中的数组或者反过来都是轻而易举的事。

torch张量与numpy数组将共享它们底层的内存位置，改变二者之一都将会改变另一个。

1、将torch张量转换为numpy数组

定义一个torch张量对象：

a = torch.ones(5)

print(a)

输出结果：

 1

 1

 1

 1

 1

[torch.FloatTensor of size 5]

将torch张量对象转换为numpy中的数组对象：

b = a.numpy()

print(b)

输出结果：

[ 1.  1.  1.  1.  1.]

下面查看numpy数组值是如何变化的：

a.add_(1)

print(a)

print(b)

输出结果：

 2

 2

 2

 2

 2

[torch.FloatTensor of size 5]

[ 2.  2.  2.  2.  2.]

2、将numpy数组转换为torch张量

下面查看修改numpy数组是如何自动改变torch张量的：

import numpy as np

a = np.ones(5)

b = torch.from_numpy(a)

np.add(a, 1, out=a)

print(a)

print(b)

输出结果：

[ 2.  2.  2.  2.  2.]

 2

 2

 2

 2

 2

[torch.DoubleTensor of size 5]

在CPU上的所有的张量，除了CharTensor之外，都支持转换成NumPy对象，也支持反向转换。

0x03 CUDA张量

使用.cuda函数可以将张量移到GPU上进行计算：

# 只有当CUDA可用时才会进行下面计算

if torch.cuda.is_available():

    x = x.cuda()

    y = y.cuda()

    x + y

以上脚本的总运行时间为：0分0.132秒。

本文中所使用的Python代码： tensor_tutorial.py