Pytorch 学习 第一篇文章 What is Pytorch ？

1、什么是Pytorch

1. 一个灵活的深度学习框架
2. GPU版的NUMPY
   第一点没什么好说的，第二点直觉感觉要牢记到心里，以后可能会大有用途。

2、Pytorch之Tensor

Tensor可以人为是Pytorch对Numpy封装后的产物，基于Tensor，可以让数据在CPU和GPU设备上自由转移。

2.1 Tensor对象的创建

Tensor对象的创建有两种方式，一种方式是间接创建，基于一些函数来返回Tensor对象，另外一种是直接创建，直接构建Tensor对象

1. 间接创建

x = torch.empty(5, 3)
x = torch.rand(5, 3)
x = torch.zeros(5, 3, dtype=torch.long)

2.直接创建

x = torch.tensor([5.5, 3])

2.2Tensor对象的操作

2.2.1 Tensor的数学运算操作

数学运算操作分为inreplace操作和非inreplace操作，一般来讲，在pytorch中带“_”的的函数都为inreplace操作。

1. 非 inreplace
   (1) x+y
   (2) torch.add(x,y)
2. inreplace
   (1) y.add_(x)

2.2.2 Tensor的reshape/resize操作

x = torch.randn(4, 4)
y = x.view(16)#此时为1*16
z = x.view(-1, 8)  # the size -1 is inferred from other dimensions，此时为2*8

2.2.3 Tensor与Numpy之间的转换

本篇博客的最开头，讲过Tensor可以认为是加强版的Numpy，如何二者进行转换呢？

b=a.numpy()#Tensor转换为Numpy
a=torch.from_numpy(b)#Numpy转换为Tensor

注意点： 经过上述操作的a和b会指向同一块内存地址，修改任何一方都会导致另一方随之变化。
有趣点： 可以看到从Tensor转换为Numpy，是一种对象的操作方式，这是因为Torch是后来者，Numpy毕竟是大佬，因此Torch能够，也不得不在Tensor的类中添加numpy()的方法，来实现转换功能;而从Numpy转换为Tensor，Numpy作为先出现的大佬，它不会知道也不会鸟后面出现的小弟Pytorch,因此不会有转换为Tensor的接口，Pytorch一厢情愿的转，只能利用函数来实现，感觉在Tensor类以方法的形式实现也行吧。也就是说前者是一种对象操作方式，后者是一种函数式操作方式。

2.2.4 Tensor的数据在GPU和CPU设备间移动

1.在创建Tensor时就指明设备

if torch.cuda.is_available():
    device = torch.device("cuda")          # a CUDA device object
    y = torch.ones_like(x, device=device) 

2.使用中想切换设备，利用to()函数

print(x.to("cpu", torch.double))

写于2018年的最后一天