原文地址：
https://pytorch.org/tutorials/beginner/blitz/tensor_tutorial.html

What is PyTorch

这是一个基于Python的科学计算包，目标是两组优势：

NumPy的替代品，可以使用GPU的强大功能
深入学习研究平台，提供最大的灵活性和速度
Getting Started

Tensor

Tensor与NumPy的多维数组相似，添加的是Tensor也可以用于GPU加速计算。

1 2	from __future__ import print_function import torch

构建一个未初始化的5*3的矩阵：

1 2	x = torch.empty(5, 3) print(x)

输出：

tensor([[0.0000, 0.0000, 0.0000],
        [0.0000, 0.0000, 0.0000],
        [0.0000, 0.0000, 0.0000],
        [0.0000, 0.0000, 0.0000],
        [0.0000, 0.0000, 0.0000]])

创建一个随机初始化矩阵

1 2	x = torch.rand(5, 3) print(x)

输出：

tensor([[0.2799, 0.2665, 0.5734],
        [0.7835, 0.6617, 0.8958],
        [0.9766, 0.6714, 0.2334],
        [0.6510, 0.0141, 0.6451],
        [0.6124, 0.3446, 0.6923]])

创建一个全零矩阵并且类型为long:

1 2	x = torch.zeros(5, 3, dtype=torch.long) print(x)

输出：

tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])

根据数据直接创建一个tensor

1 2	x = torch.tensor([5.5, 3]) print(x)

输出：

1	tensor([5.5000, 3.0000])

或者根据现有tensor创建一个tensor。
这些方法将重用输入tensor的属性，如dtype，除非用户提供新的值

x = x.new_ones(5, 3, dtype=torch.double)      # new_* methods 获得大小
print(x)

x = torch.randn_like(x, dtype=torch.float)    # 重新赋予类型
print(x)                                      # 结果拥有相同的大小

输出：

tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)
tensor([[ 0.3567, -1.2192, -1.5638],
        [-0.9681,  0.5553,  0.1525],
        [ 0.6320, -0.5874,  0.6034],
        [-0.5114, -0.6262, -0.0601],
        [-0.0572,  0.9120,  0.9557]])

获取它的大小：

1	print(x.size())

输出：

1	torch.Size([5, 3])

注意：

“torch.Size”实际上是一个元组，所以它支持所有的元组操作。

有多个语法操作。在下面的例子中，我们将看一看加法操作。

语法1

1 2	y = torch.rand(5, 3) print(x + y)

输出：

tensor([[ 0.5408, -0.8138, -1.3310],
        [-0.0024,  0.6934,  0.3962],
        [ 1.2138, -0.5800,  1.2939],
        [ 0.1962, -0.5142,  0.7489],
        [ 0.6374,  1.1835,  1.3452]])

语法2

1	print(torch.add(x, y))

输出：

tensor([[ 0.5408, -0.8138, -1.3310],
        [-0.0024,  0.6934,  0.3962],
        [ 1.2138, -0.5800,  1.2939],
        [ 0.1962, -0.5142,  0.7489],
        [ 0.6374,  1.1835,  1.3452]])

作为参数提供一个输出tensor

1
2
3

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

输出：

tensor([[ 0.5408, -0.8138, -1.3310],
        [-0.0024,  0.6934,  0.3962],
        [ 1.2138, -0.5800,  1.2939],
        [ 0.1962, -0.5142,  0.7489],
        [ 0.6374,  1.1835,  1.3452]])

在原位置上操作

1
2
3

# adds x to y
y.add_(x)
print(y)

输出：

tensor([[ 0.5408, -0.8138, -1.3310],
        [-0.0024,  0.6934,  0.3962],
        [ 1.2138, -0.5800,  1.2939],
        [ 0.1962, -0.5142,  0.7489],
        [ 0.6374,  1.1835,  1.3452]])

注意：

任何对一个tensor进行变异的操作都是用_。
例如:“x.copy_(y)’ ‘,’ ‘ x.t_()’ ‘,将改变“x”。

You can use standard NumPy-like indexing with all bells and whistles!

1	print(x[:, 1])

输出：

1	tensor([-1.2192, 0.5553, -0.5874, -0.6262, 0.9120])

调整大小：如果你想要调整/重塑张量，你可以使用 torch.view:

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

输出：

1	torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

如果你有一个元素tensor，使用.item（）来获得作为Python的数值

1
2
3

x = torch.randn(1)
print(x)
print(x.item())

输出：

1 2	tensor([0.6536]) 0.653590977191925

Read later:

100+ Tensor operations, including transposing, indexing, slicing, mathematical operations, linear algebra, random numbers, etc., are described here http://pytorch.org/docs/torch_.

NumPy Bridge

将一个Torch Tensor转换成一个NumPy数组，反之亦然。

Torch Tensor和NumPy数组将共享它们的底层内存位置，而改变一个则会改变另一个。

将一个Torch Tensor转换为Numpy数组：

1 2	a = torch.ones(5) print(a)

输出：

1	tensor([1., 1., 1., 1., 1.])

1 2	b = a.numpy() print(b)

输出：

1	[1. 1. 1. 1. 1.]

看看numpy数组是如何在值中改变的。

1
2
3

a.add_(1)
print(a)
print(b)

输出：

1 2	tensor([2., 2., 2., 2., 2.]) [2. 2. 2. 2. 2.]

将一个Numpy数组转换为Torch Tensor,看看如何改变np数组自动改变了Torch Tensor

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)

输出：

1 2	[2. 2. 2. 2. 2.] tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

CPU上所有的Tensors，除了CharTensor 都支持跟NumPy之间的相互转换。

CUDA Tensors

Tensor可以使用.to方法移动到任何设备上。

# let us run this cell only if CUDA is available
# We will use ``torch.device`` objects to move tensors in and out of GPU
if torch.cuda.is_available():
    device = torch.device("cuda")          # a CUDA device object
    y = torch.ones_like(x, device=device)  # directly create a tensor on GPU
    x = x.to(device)                       # or just use strings ``.to("cuda")``
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))       # ``.to`` can also change dtype together!

输出：

1 2	tensor([1.6536], device='cuda:0') tensor([1.6536], dtype=torch.float64)

What is PyTorch

Getting Started

NumPy Bridge

CUDA Tensors