超简单！pytorch入门教程（一）：Tensor

Zen君的配置是macbook pro，升级到Mac Serria安装不了qt，无法显示图片，好在发现了pytorch，正好Zen君以前也玩过python的，所以非常激动。这个教程系列也是趁着心情激动写下来的，不知道会不会持续更新，暂时别抱有期待：）

一、pytorch安装

安装pytorch之前，需要安装好python（废话），还没安装过python的宝宝请先移步到廖雪峰的python教程，待安装熟悉完之后，再过来这边。

我们接着讲。

打开pytorch官网http://pytorch.org，找到下图所示位置

如图所示，选择好系统，包管理工具，python的版本，是否支持CUDA（Zen君的配置是OSX，包管理工具是pip，版本2.7，不支持CUDA，哭）

选择好相应的配置，然后就可以复制下面“Run this command”的代码，直接打开命令台粘贴运行，即完成pytorch的安装。

二、pytorch的基石--Tensor张量

要介绍Tensor这个数据类型，我觉得有必要扯一下数学。

我们都知道：

标量（Scalar）是只有大小，没有方向的量，如1，2，3等

向量（Vector）是有大小和方向的量，其实就是一串数字，如(1,2)

矩阵（Matrix）是好几个向量拍成一排合并而成的一堆数字，如[1,2;3,4]

如图，我们可以看出，矩阵是二维的，向量是一维的，标量是零维的。

那么张量（Tensor）是什么呢？呵呵呵呵！大家估计也能猜出来！是按照三维排列的一堆数字？

是的。但是也不完全正确。

其实标量，向量，矩阵它们三个也是张量，标量是零维的张量，向量是一维的张量，矩阵是二维的张量。

张量就是按照任意维排列的一堆数字的推广。如图所示，矩阵不过是三维张量下的一个二维切面。要找到三维张量下的一个标量，需要三个维度的坐标来定位。

除此之外，张量还可以是四维的、五维的、。。。等等

数学扯完了，我们撸串代码操练操练　(*ˉ︶ˉ*)

>>>import torch #引用torch包

>>>x = torch.Tensor(2,3)  #构造一个2x3的矩阵，没初始化但仍然会有值

>>>x

8.0118e+28  4.5768e-41  8.0118e+28

4.5768e-41  2.9747e-37  1.4013e-45

[torch.FloatTensor of size 2x3]  #可以看出数据类型是浮点数的2x3矩阵

看矩阵看不出张量的道道，我们来点刺激的

>>>y=torch.Tensor(4,2,3) #构造一个4x2x3的张量，没初始化

>>>y

(0 ,.,.) =

1.00000e-29 *

0.0000  2.5244  0.0000

2.5244  0.0000  0.0000

(1 ,.,.) =

1.00000e-29 *

0.0000  0.0000  0.0000

0.0000  0.0000  0.0000

(2 ,.,.) =

1.00000e-29 *

0.0000  0.0000  0.0000

0.0000  0.0000  0.0000

(3 ,.,.) =

1.00000e-29 *

0.0000  0.0000  0.0000

2.5244  0.0000  2.5244

[torch.FloatTensor of size 4x2x3]

我们从上面的返回值可以看出，4x2x3的张量y由4个2x3的矩阵构成，这符合了我们数学上的定义。

Tensor的加法(四种)

我们先初始化两个张量：

rand()用随机数初始化5x3的矩阵

第一种：

>>>a+b

第二种：

>>>torch.add(a,b)

第三种：

>>>result = torch.Tensor(5,3)

>>>torch.add(a,b,out=result) #把运算结果存储在result上

第四种：

>>>b.add_(a) #把运算结果覆盖掉b

Tensor的部分截取

 利用b[:,1]来截取第2列的所有元素（计算机是从0开始数，所以1是第2列）

Tensor的其他操作

除了加法以外，还有上百种张量的操作，比如说转置（transposing），切片（slicing）等，送个链接给少侠，少侠自己在家慢慢操练了。

Tensor与numpy的Array的相互转换

torch的tensor可以与numpy的array进行转换

1.tensor⇒array

>>>b = a.numpy() #a为tensor

如图所示，b和a是共用一块内存，所以当a发生变化时，b也会发生变化。

2.array⇒tensor

>>>b = torch.from_numpy(a)  #a为numpy的array

如图所示，a和b一样是共用一块内存。

CUDA的神助攻

假如少侠你有一块nvidia的显卡并支持cuda（如GTX 1080），那么恭喜你，你可以使用显卡gpu进行tensor的运算。假如你像Zen君一样没有，考虑买一个吧。。。购买指南：为你的深度学习任务挑选最合适GPU:从性能到价格的全方位指南

>>>torch.cuda.is_available()  #看看是否支持cuda

假如返回的是True那么，下面的代码将带你飞。

>>>x = x.cuda()

>>>y = y.cuda()

>>>x+y           #这里的x和y都是tensor，使用cuda函数以后，x和y的所有运算均会调用gpu来运算。