pytorch的中文手册：https://github.com/zergtant/pytorch-handbook
一、定义/初始化张量Define tensors
tensor，即“张量”。实际上跟numpy数组、向量、矩阵的格式基本一样。但是是专门针对GPU来设计的，可以运行在GPU上来加快计算效率。
PyTorch中定义tensor，就跟numpy定义矩阵、向量差不多，例如定义一个5×3的tensor，每一项都是0的张量：
x = torch.zeros(5,3)
如果想查看某个tensor的形状的话，使用：
z.size()，或者z.shape，但是前者更常用。
下面列举一些常用的定义tensor的方法：
常数初始化：
-
torch.empty(size)返回形状为size的空tensor -
torch.zeros(size)全部是0的tensor -
torch.zeros_like(input)返回跟input的tensor一个size的全零tensor -
torch.ones(size)全部是1的tensor -
torch.ones_like(input)返回跟input的tensor一个size的全一tensor -
torch.arange(start=0, end, step=1)返回一个从start到end的序列，可以只输入一个end参数，就跟python的range()一样了。实际上PyTorch也有range()，但是这个要被废掉了，替换成arange了 -
torch.full(size, fill_value)这个有时候比较方便，把fill_value这个数字变成size形状的张量
随机抽样（随机初始化）：
-
torch.rand(size)[0,1)内的均匀分布随机数 -
torch.rand_like(input)返回跟input的tensor一样size的0-1随机数 -
torch.randn(size)返回标准正太分布N(0,1)的随机数 -
torch.normal(mean, std, out=None)正态分布。这里注意，mean和std都是tensor，返回的形状由mean和std的形状决定，一般要求两者形状一样。如果，mean缺失，则默认为均值0，如果std缺失，则默认标准差为1.
更多的随机抽样方法，参见链接：
https://pytorch.org/docs/stable/torch.html#random-sampling
二、基本操作、运算 Basic operations
1.tensor的切片、合并、变形、抽取操作
(Indexing, Slicing, Joining, Mutating)
这里我就简单总结一些重要的tensor基本操作：
-
torch.cat(seq, dim=0, out=None),把一堆tensor丢进去，按照dim指定的维度拼接、堆叠在一起.
比如：
In [70]: x = torch.tensor([[1,2,3]])
In [71]: x
Out[71]: tensor([[1, 2, 3]])
#按第0维度堆叠，对于矩阵，相当于“竖着”堆
In [72]: print(torch.cat((x,x,x),0))
tensor([[1, 2, 3],
[1, 2, 3],
[1, 2, 3]])
#按第1维度堆叠，对于矩阵，相当于“横着”拼
In [73]: print(torch.cat((x,x,x),1))
tensor([[1, 2, 3, 1, 2, 3, 1, 2, 3]])
-
torch.chunk(tensor, chunks, dim=0)把tensor切成块，数量由chunks指定。
例如：
In [74]: a = torch.arange(10)
In [75]: a
Out[75]: tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
In [76]: torch.chunk(a,4)
Out[76]: (tensor([0, 1, 2]), tensor([3, 4, 5]), tensor([6, 7, 8]), tensor([9]))
- 切块还有
torch.split(tensor, split_size_or_sections, dim=0)具体区别大家自行查阅文档 - 按index选择：
torch.index_select(input, dim, index, out=None) - 按mask选择：
torch.masked_select(input, mask, out=None) - 经常会使用的“压扁”函数：
torch.squeeze(input),压缩成1维。注意，压缩后的tensor和原来的tensor共享地址 - 改变形状：
torch.reshape(input, shape)以及tensor.view(shape).前者是把tensor作为函数的输入，后者是任何tensor的函数。实际上，二者的返回值，都只是让我们从另一种视角看某个tensor，所以不会改变本来的形状，除非你把结果又赋值给原来的tensor。下面给一个例子对比二者的用法：
In [82]: a
Out[82]: tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
# 单纯的调用view函数：
In [83]: a.view(2,5)
Out[83]:
tensor([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]])
# a的形状并不会变化
In [84]: print(a)
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
# 试试reshape函数：
In [86]: torch.reshape(a,[5,2])
Out[86]:
tensor([[0, 1],
[2, 3],
[4, 5],
[6, 7],
[8, 9]])
# a的形状依然不会变化：
In [87]: a
Out[87]: tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
要想让a的形状变化，比如把结果赋值给a，比如a = a.view(2,5)
还有好多有意思的操作，自己去发掘吧：
https://pytorch.org/docs/stable/torch.html#indexing-slicing-joining-mutating-ops
2.基本数学操作
- 加法直接加：
x+y
或者用torch.add(x,y).
实际上，.add()可以接受三个参数：torch.add(input, value, out=None)
out怎么用呢？一般，如果直接torch.add(x,y)，那么x，y本身都不会变化的。但是如果设置out=x，那么x就变变成加和后的值。
特别的，若想进行in-place操作，就比方说y加上x，y的值就改变了，就可以用y.add_(x)这样y就直接被改变了。Torch里面所有带"_"的操作，都是in-place的。例如x.copy_(y)
- 乘法：
torch.mul(input, other, out=None)用input乘以other - 除法：
torch.div(input, other, out=None)用input除以other - 指数：
torch.pow(input, exponent, out=None) - 开根号：
torch.sqrt(input, out=None) - 四舍五入到整数：
torch.round(input, out=None) -
argmax函数：
torch.argmax(input, dim=None, keepdim=False)返回指定维度最大值的序号，dim给定的定义是：the demention to reduce.也就是把dim这个维度的，变成这个维度的最大值的index。例如：
argmax - sigmoid函数：
torch.sigmoid(input, out=None) - tanh函数：
torch.tanh(input, out=None) -
torch.abs(input, out=None)取绝对值 -
torch.ceil(input, out=None)向上取整，等于向下取整+1 -
torch.clamp(input, min, max, out=None)刀削函数，把输入数据规范在min-max区间，超过范围的用min、max代替
太多了，基本上，numpy里面有的数学函数这里都有，能想到的的基本都有。所以更详细的内容，还是去查看文档吧哈哈：
https://pytorch.org/docs/stable/torch.html#math-operations
三、Torch Tensor与Numpy的互相转换
-
Tensor-->Numpy
直接用.numpy()即可。但是注意，转换后，numpy的变量和原来的tensor会共用底层内存地址，所以如果原来的tensor改变了，numpy变量也会随之改变。参见下面的例子：
In [11]: a = torch.ones(2,4)
In [12]: a
Out[12]:
tensor([[1., 1., 1., 1.],
[1., 1., 1., 1.]])
In [13]: b = a.numpy()
In [14]: b
Out[14]:
array([[1., 1., 1., 1.],
[1., 1., 1., 1.]], dtype=float32)
In [15]: a.add_(1)
Out[15]:
tensor([[2., 2., 2., 2.],
[2., 2., 2., 2.]])
In [16]: b
Out[16]:
array([[2., 2., 2., 2.],
[2., 2., 2., 2.]], dtype=float32)
- Numpy-->Tensor
用torch.from_numpy()来转换。参见下面例子：
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：
[2. 2. 2. 2. 2.]
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
同样，两者会共用内存地址。
作者：Stack_empty
链接：https://www.jianshu.com/p/7dbfc7076e5a
来源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。