PyTorch 是一個基于 Torch 的 Python 開源機器學習庫，它主要由 Facebook 的人工智能小組開發。該框架不僅能夠實現強大的 GPU 加速，還支持動態的神經網絡。

因此，很多互聯網的大廠在進行深度學習時，都會使用該框架，比如 Facebook、Twitter 等。

本課程一共 15 章，從淺入深地為同學們闡述了 PyTorch 的語法結構和應用場景。

以下為課程第一章：

張量的定義

---

介紹

PyTorch 中的所有操作都是在張量的基礎上進行的，本實驗主要講解了張量定義和相關張量操作以及 GPU 和張量之間的關系，為以后使用 PyTorch 進行深度學習打下堅實的基礎。

知識點

• 張量的定義
• 張量的運算
• 張量的切片

---

張量

張量的定義

PyTorch 中的所有內容都基于 Tensor(張量) 操作的。張量可以具有不同的尺寸，它可以是 1 維（標量），2 維（矢量），甚至 3 維（矩陣）或更高。讓我們看一下如何在 PyTorch 中創建張量。

import torch# 利用 torch.empty() 初始化指定大小的張量，如果不指定值的話，內容為隨機值 # 傳入的參數為想創建的張量大小 x = torch.empty(1) # scalar，大小為 1*1 的張量 print(x.size()) x = torch.empty(3) # vector, 1D，大小為 1*3 的張量 print(x.size()) x = torch.empty(2, 3) # matrix, 2D，大小為 2*3 的張量 print(x.size()) x = torch.empty(2, 2, 3) # tensor, 3D，大小為 2*2*3 的張量 print(x.size())

動手練習｜如果你對課程所使用的實驗樓 Notebook 在線環境并不熟悉，可以先學習??使用指南課程。

如果我們需要隨機初始化值在 0-1 之間的張量（服從均勻分布），可以使用?torch.rand(size)：

# torch.rand(size) torch.rand(5, 3) # 初始化 5*3 大小的 0-1 之間的張量

如果我們想初始化全為 1 或者全為 0 的張量，可以使用?torch.zeros(size)?和?torch.ones(size)：

x = torch.zeros(5, 3) y = torch.ones(5, 3) print(x) print(y)

可以通過?x.size()?得到某個張量的大小：

x.size()

可以通過?x.dtype?查看 x 中值的具體類型：

x.dtype

當然，也可以在初始化時傳入?dtype?參數，指定數組值的類型：

x = torch.zeros(5, 3, dtype=torch.float16) print(x)# check type print(x.dtype)

如果我們需要創建指定值的張量，我們可以使用?torch.tensor(list)，list 可以為 NumPy 中的一個列表。

#創建的張量中的值為 [5.5,3] x = torch.tensor([5.5, 3]) print(x) print(x.size())

如果想要定義的張量能夠自動計算梯度（后面會說明用處），那么我們就需要將參數?requires_grad?置為?True。

torch.tensor([5.5, 3], requires_grad=True)

張量的運算

張量的加法：

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

張量的減法：

# 使用 - 或者 .sub 都可以表示張量減法 z = x - y print(z) z = torch.sub(x, y) print(z)

張量乘法（利用?*?或者?torch.mul表示）：

# 張量乘法 z = x * y print(z) z = torch.mul(x, y) print(z)

張量除法(使用?/?或者?torch.div?表示)：

# 張量除法 z = x / y print(z) z = torch.div(x, y) print(z)

張量的切片

和 NumPy 的切片類似，如下：

x = torch.rand(5, 3) print(x) print(x[1, 1]) # 第一個值表示第一維（即行號），第二個值表示第二維（即列號） print(x[:, 0]) # 所有的行中的第 1 列 print(x[1, :]) # 第 2 行中所有的列

張量的重塑

重塑的意思就是將原張量的形狀進行變換，即元素總個數不變的情況下改變行數和列數，使用?torch.view(size)?類似于?numpy.reshape。

x = torch.randn(4, 4) y = x.view(16) # 指定改變后的大小 z = x.view(2, 8) print(x.size(), y.size(), z.size())

當 x 的大小為?12\times23\times32
12×23×32?，而我們想把 x 轉為?2\times m
2×m?的大小時，我們就必須手動算出?12\times23\times32
12×23×32?的值，然后除以 2，進而得到 m 的值。
為了避免這種情況，我們可以將 m 所在位置賦為 -1。計算機看到 -1 時，會自動使用?12\times23\times32 ÷ 2
12×23×32÷2?的值來替換 -1：

x = torch.randn(12, 23, 32) y = x.view(2, -1) # 將需要計算的那個維度直接用 -1 表示 12*23*32/2 的值 x.size(), y.size()

注意：一次切片中只能有一個位置值 -1 。

NumPy 與 Tensor

可以使用?tensor.numpy()?將 Tensor 類型的變量轉為 NumPy 類型：

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

可以使用?torch.from_numpy()?將 NumPy 類型的變量轉為 Tensor：

import numpy as np a = np.ones(5) b = torch.from_numpy(a) print(a) print(b)

GPU 上創建張量

默認情況下，所有的張量都是在 CPU 上創建的，但是你也可以使用 GPU 創建它，或者將 CPU 創建的向量移動到 GPU 中。

當然，下面代碼只有在你的電腦支持 GPU 的情況下才能運行。

我們可以通過?torch.cuda.is_available()?命令，查看本地環境時候支持 GPU ：

torch.cuda.is_available()

• True 表示支持
• False 表示不支持

由于 GPU 成本過高，本實驗我們暫且不使用（將其用在刀刃上），所以線上環境會返回 False。

由于本章節沒有配置 GPU ，因此下面兩段代碼只能闡述一下了。

將變量放到 GPU 中運行的方式有兩種，如下：

在定義時就指定參數?device

# 如果支持 GPU 則傳入字符串 cuda，否則傳入 cpu device = torch.device("cuda") y = torch.ones_like(x, device=device) # 在 GPU 上直接創建張量

創建張量后，將變量移動到 GPU 中

x = torch.randn(4, 4) device = torch.device("cuda") x = x.to(device) # 將張量移動到 GPU

實驗總結

本實驗主要講解了張量的定義，以及如何使用 PyTorch 完成張量的加、減、乘、除、切片和重塑等操作。在實驗的最后，我們對張量進行了擴展，闡述了如何查看本地環境是否支持 GPU ，以及如何將變量定義到 GPU 之中。

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-wIm2nXul-1597401569019)(https://upload-images.jianshu.io/upload_images/226662-158aadf71e71ec5b.jpg!thumbnail?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)]

完整課程請點擊鏈接《PyTorch 基礎入門實戰》，可免費試學前兩節，新課上線近期優惠價哦！

總結

以上是生活随笔為你收集整理的有了它，一天学会 PyTorch！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。