pytorch基本操作

一. pytorch基本概念

张量（Tensors)

x = torch.Tensor(3,5) 构建未初始化的张量
x = torch.rand(3,5) 构建一个随机初始化的矩阵
x.size() 或者 x.shape 获取矩阵的大小

二. pytorch 操作

语法1:

x + y   x = torch.rand(2,3)

语法2:

 torch.add(x,y)

语法3:

result = torch.Tensor(3,5) torch.add(x,y,out=result)

语法4:

y ._add(x)

原地操作 (in-place)
任何在原地(in-place)改变张量的操作都有一个'_'后缀。

三. numpy桥

把一个torch张量转换为numpy数组或者反过来都是很简单的。
Torch张量和numpy数组将共享潜在的内存，改变其中一个也将改变另一个。a.add_(1)
把Torch张量转换为numpy数组 :

a = torch.ones(5)  b= a.numpy()

把numpy数组转换为torch张量:

torch.from_numpy(b)

所有在CPU上的张量，除了字符张量，都支持在numpy之间转换。
你可以使用所有的numpy索引操作: print(a[:,1])

四. CUDA张量

使用.cuda函数可以将张量移动到GPU上。

if torch.cuda.is_available() :
    x = x.cuda()

五. pytorch函数操作

torch.max

返回输入tensor中所有元素的最大值

torch.max(input,dim)

按维度dim 返回最大值

torch.max)(a,0) 

返回每一列中最大值的那个元素，且返回索引（返回最大元素在这一列的行索引）

torch.max(a,1)

返回每一行中最大值的那个元素，且返回其索引（返回最大元素在这一行的列索引）

torch.max()[0]

只返回最大值的每个数

troch.max()[1]

只返回最大值的每个索引

torch.eq

target.eq(source)
target.eq(source).sum()  统计相等的个数  输出tensor(2)

torch.view

a.view(i,j)

表示将原矩阵转化为i行j列的形式 , i为-1表示不限制行数

torch.squeeze()

压缩矩阵

a.squeeze(i)

压缩第i维，如果这一维维数是1，则这一维可有可无，便可以压缩

torch.unsqueeze()

 unsqueeze(i)

表示将第i维设置为1
squeeze、unsqueeze操作不改变原矩阵

torch.cat()

cat(seq,[dim],out=None) 

seq 表示要连接的两个序列.dim表示以哪个维度连接. dim=0横向连接,dim=1 纵向连接.

a = torch.rand((10,2))
b = torch.rand((10,2)) 
c = torch.cat((a,b),dim=0)  横向连接  按行拼接，结构列数不变，行变多
d = torch.cat((a,b),dim=1) 纵向连接  按列拼接，结构行数不变，需要列相同