一、简介

　　简单介绍PyTorch框架，基本使用和安装方法。Torch是什么？一个火炬！其实跟Tensorflow中Tensor是一个意思，就是说，有一批数据，无论是图像数据还是文本数据或数值数据，都需要把数据转换成矩阵，接下来在建模操作过程中，都需要对当前数据即矩阵，做各种各样变换，做各种各样计算，一系列流程做完之后得到我们想要的结果。PyTorch可以说是做这样一件事，把所有矩阵计算的东西传入GPU中，因为GPU中做矩阵运算比较快，在GPU中帮我们实现了所有的计算功能，整体的计算，从前向传播到反向传播，有可能会涉及到非常复杂的计算，这些计算统统由框架帮我们实现，我们需要去做的，就是设计整个任务的流程，整个网络架构就可以了。深度学习框架，说白了，就是一个计算的工具，帮我们实现由前到后整体的计算流程。
一个框架该怎么学？
　　学框架不要去看基本的操作， 直接看一个实际的例子，一步步怎么走的即可，遇到一些基本的点，可能遇到某些函数，尽量去查，查的过程其实也是学习的过程。
二、实例

1、导入torch包

1 #导入PyTorch包
2 import torch
3 print(torch.__version__)

输出结果：

 2、创建一个空的张量

 1 #基本使用方法
 2 #创建一个全零的5行3列的矩阵，格式是一个tensor
 3 #tensor即张量，理解为矩阵即可，一维是向量，二维是矩阵，不管多少维，统一叫
 4 #做tensor，是深度学习中最基本的计算单元，
 5 #也可以说是框架的底层。之前用过的其他结构，如numpy、pandas之类的，会得到
 6 #ndarry或DataFrame类似的结构，
 7 #看起来也是矩阵，但是不能在我们这里做，要用PyTorch框架，①把所有的数据转换
 8 #成tensor的格式，tensor是底层所支持的
 9 #格式，所有的输入，所有的计算，都是对tensor所执行的。
10 x=torch.empty(5,3)
11 print("x:\n",x)

输出结果：

 3、创建一个随机的5行3列的矩阵

1 #创建一个随机的5行3列的矩阵
2 x1=torch.rand(5,3)
3 print("x1:\n",x1)

输出结果：

 4、初始化一个全零的矩阵

1 #初始化一个全零的矩阵
2 x2=torch.zeros(5,3,dtype=torch.long)
3 print("x2:\n",x2)

输出结果：

 5、直接传入数据

1 #直接传入数据
2 x3=torch.tensor([5.5,3])
3 print("x3:\n",x3)

输出结果：

6、生成全为1的矩阵并随机初始化

1 x4=x2.new_ones(5,3,dtype=torch.double)  #生成全为1的矩阵
2 x5=torch.randn_like(x4,dtype=torch.float)
3 print("x4:\n",x4)
4 print("x5:\n",x5)
5 #建议执行完每次操作之后，打印维度看一看
6 print(x5.size())

输出结果：

 7、基本计算方法：加法操作

1 #基本计算方法
2 y=torch.rand(5,3)
3 print("y+x5=",y+x5)
4 print(torch.add(y,x5)) #一样的操作

输出结果：

 8、索引

1 #索引
2 print("x5[:,1]:\n",x5[:,1])

输出结果：

 9、view操作可以改变矩阵维度

1 #view操作可以改变矩阵维度
2 x6=torch.randn(4,4)
3 print("x6:\n",x6)
4 y1=x6.view(16) #将x6拉成一行向量
5 print("y1:\n",y1)
6 z=x6.view(-1,8) #-1代表自动做计算，第二个维度有8个元素,第一个维度自动计算
7 print("z:\n",z)
8 print("x6.size:\n",x6.size(),"\n","y1.size:\n",y1.size(),"\n","z.size:\n",z.size())

输出结果：

 10、与numpy的协同操作

1 #与numpy的协同操作
2 a=torch.ones(5)
3 b=a.numpy()
4 print("b:\n",b)
5 print("type(b):\n",type(b))

输出结果：

11、numpy转tensor

1 #numpy转tensor
2 a1=np.ones(5)
3 b1=torch.from_numpy(a1)
4 print("b1:\n",b1)

输出结果：