零基础深度学习Pytorch教程，一个小时快速入门（一）
Pytorch官网有非常优秀的教程，其中有几篇小短文属于名为DEEP LEARNING WITH PYTORCH: A 60 MINUTE BLITZ这个小专栏的内容，考虑到大家阅读英文文献有点困难，笔者打算花两天时间做一下翻译，同时结合自己的理解做一些内容调整，原文链接贴在这里点此跳转。话不多说直接进入正题。
第一部分是认识tensor。
Tensors
tensor直译就是张量，可以理解为向量vector的延申。tensors是一种特殊的数据结构与数组和矩阵十分相似。在Pytorch中我们使用tensors去编码一个模型的输入输出，模型的参数也是这样操作的。
tensors和Numpy的多维数组ndarray很相似，除了tensors可以运行在GPU上，或者其他的可以用来加速计算速度的特殊硬件。如果你熟悉ndarray的话，你可以正确的使用Tensors的API接口。不过如果你不熟悉的话，那请提前快速地阅读一下对应的API。
下面是加载库的头文件
import torch
import numpy as npTensor的初始化
tensor可以使用多种方式初始化，下面是一些例子。
1.直接来源于数据
tensor可以直接使用数据创建，数据类型可以自动的识别出来。
data = [[1, 2],[3, 4]]
x_data = torch.tensor(data)2.从numpy数组中来
tensor可以使用numpy数组来创建（numpy数组就类似于常用数值型的多维数组），反之亦然。
np_array = np.array(data)
x_np = torch.from_numpy(np_array)3.来源于tensor
新的tensor保留了原来tensor的参数属性包括(形状，数据类型)，这里的形状可以理解为tensor的维度 。
x_ones = torch.ones_like(x_data) # 保留了x_data的属性
print(f"Ones Tensor: \n {x_ones} \n")
x_rand = torch.rand_like(x_data, dtype=torch.float) # 覆盖了x_data的数据类型
print(f"Random Tensor: \n {x_rand} \n")对应的输出如下图”
Ones Tensor:
tensor([[1, 1],
[1, 1]])
Random Tensor:
tensor([[0.5715, 0.8526],
[0.2244, 0.4860]])4.使用随机值或者常数值构建
shape是一个tensor的维度，在下图的函数中，它决定了输出tensor的维度。
shape = (2,3,)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)
print(f"Random Tensor: \n {rand_tensor} \n")
print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor}")输出结果如下：
Random Tensor:
tensor([[0.5585, 0.0448, 0.1216],
[0.7801, 0.0683, 0.2854]])
Ones Tensor:
tensor([[1., 1., 1.],
[1., 1., 1.]])
Zeros Tensor:
tensor([[0., 0., 0.],
[0., 0., 0.]])以上就是tensor的四种创建方式了。
tensor的属性
tensor的属性主要包括shape（形状表示维度）、数据类型和它们存储在哪一个设备上。
tensor = torch.rand(3,4)
print(f"Shape of tensor: {tensor.shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")输出如下：
Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu对Tensor的操作方式
总共大约100种对tensor的操作，包括转置，索引，切片，数学运算，线性代数，随机抽样，更多的操作描述可以点击这个链接。
这些操作中的每一个都可以运行在GPU上，简单来说就是可以获得一些硬件加速。如果你财力雄厚的话可以考虑搞一块牛x的GPU帮助你干活。
# 如果财力雄厚的话，我们可以将tensor移到GPU上
if torch.cuda.is_available():
tensor = tensor.to('cuda')可以从操作清单中找出一些试试看，如果熟悉Numpy API，你会发现tensor 的API很容易学会。（PS：我要是熟悉Numpy我还看你这个教程吗≧ ﹏ ≦）
1.标准的Numpy结构式的索引和切片：
tensor = torch.ones(4, 4)
tensor[:,1] = 0
print(tensor)输出如下：
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])2.连接tensor
你可以使用tensor.cat指定给定的维度去连接一系列的tensor。
t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)输出如下：
tensor([[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.]])3.tensor的乘积
# 计算tensor的乘积
print(f"tensor.mul(tensor) \n {tensor.mul(tensor)} \n")
# 另一种表述形式:
print(f"tensor * tensor \n {tensor * tensor}")输出如下：
tensor.mul(tensor)
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
tensor * tensor
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])计算在两个tensor之间矩阵的乘积。
print(f"tensor.matmul(tensor.T) \n {tensor.matmul(tensor.T)} \n")
# 另一种表述形式:
print(f"tensor @ tensor.T \n {tensor @ tensor.T}")结果如下：
tensor.matmul(tensor.T)
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])
tensor @ tensor.T
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])4.原地操作
在这些操作中有一个_后缀是原地操作，比如：x_copy_(y)，x.t_()，这些操作会改变x的数值
print(tensor, "\n")
tensor.add_(5)
print(tensor)结果如下：
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
tensor([[6., 5., 6., 6.],
[6., 5., 6., 6.],
[6., 5., 6., 6.],
[6., 5., 6., 6.]])值得注意的是原地操作不会保留某些中间变量，这就导致在某些需要中间量的操作中，由于中间量没有被保存会出现很多问题，因此这种写法要谨慎使用。
使用Numpy过渡
tensor在cpu上以及numpy数组可以共享它们潜在的内存位置，改变一个就可以改变另一个。
Tensor转为numpy数组
t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")结果如下：
t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]tensor中的改变反映在了numpy数组之中
t.add_(1)
print(f"t: {t}")
print(f"n: {n}")输出如下：
t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]numpy数组转化为Tensor
n = np.ones(5)
t = torch.from_numpy(n)numpy数组的改变体现在了tensor中
np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")输出如下：
t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]我们的第一篇就到这里了，后面还会对内容进行完善，接下来会陆续更新下面几篇。