【深度之眼】【Pytorch打卡第1天】：PyTorch简介及环境配置；PyTorch基础数据结构—张量

一、学习路径

---

二、安装

1）验证成功

>>> import torch
>>> a=torch.ones(2,2)
>>> a
tensor([[1., 1.],
        [1., 1.]])
>>> 

2）查看pytorch版本

print ("hello pytorch {}".format(torch.__version__))

3）查看是否支持GPU

print (torch.cuda.is_available())

三、张量的概念：多维数组

Tensor与Variable

–Variable：主要用于封装Tensor，进行自动求导
–data：被封装的Tensor
–grad：data的梯度
–grad_fn：创建Tensor的Function，是自动求导的关键
–requires_grad：指示是否需要梯度
–is_leaf：指示是否是叶子

从Pytorch0.4.0版本开始，Variable并入Tensor
–dtype: 张量的数据类型，三大类，共9种。torch.FloatTensor, torch.cuda.FloatTensor
–shape: 张量的形状。如：（64，3，224，224）
–decive: 所在设备

四、张量的创建

4.1 直接创建

1）

torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)

2） 从numpy创建tensor : torch.from_numpy(ndarray)
注意：共享内容

import torch
import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6]])
t = torch.from_numpy(arr)

t[0, 0] = -1
print(arr)
print(t)

4.2 依据数值创建

1）torch.zeros()：按照size创建全0张量

torch.zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

2）torch.zeros_like()

torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False)

3）torch.ones()
4）torch.ones_like()
5）torch.full()
6）torch.full_like()
7）torch.arange()，创建等差数列，区间：[start, end)

t = torch.arange(start=0, end=100, step=1, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

8）torch.linspace()，创建均分数列，区间：[start, end]
注意：step是步长；steps是长度

t = torch.linspace(start=0, end=100, steps=5, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

9）torch.logspace()，创建对数均分的1维张量
注意：长度steps，底是base默认为10

t = torch.logspace(start=0, end=100, steps=5, base=10, out=None, dtype=None, layout=torch.strided, device=None,
                   requires_grad=False)

10）torch.eye()，创建单位对角矩阵（2维张量）
n: 矩阵行数； m：矩阵列

4.3 依概率分布创建张量

1）torch.normal()：生成正太分布, 高斯分布
四种模式：mean和std各为标量和张量

torch.normal(mean, std, out=None)
torch.normal(mean, std, size, out=None)

2）torch.randn()
3) torch.randn_like(), 生成标准正态分布
注意：size指的是张量的形状

torch.randn(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

4）torch.rand()
5) torch.rand_like() , 在区间[0, 1]上，生成均匀分布

6）torch.randint()
7) torch.randint_like()，在[low, high）生成整数均匀分布

8）torch.randperm(), 生成从0–n-1的随机排列
9）torch.bernoulli()，生成伯努利分布

---

五、总结