有了它，一天学会 PyTorch！
PyTorch 是一个基于 Torch 的 Python 开源机器学习库，它主要由 Facebook 的人工智能小组开发。该框架不仅能够实现强大的 GPU 加速，还支持动态的神经网络。
因此，很多互联网的大厂在进行深度学习时，都会使用该框架，比如 Facebook、Twitter 等。
本课程一共 15 章，从浅入深地为同学们阐述了 PyTorch 的语法结构和应用场景。
以下为课程第一章：
张量的定义
介绍
PyTorch 中的所有操作都是在张量的基础上进行的，本实验主要讲解了张量定义和相关张量操作以及 GPU 和张量之间的关系，为以后使用 PyTorch 进行深度学习打下坚实的基础。
知识点
- 张量的定义
- 张量的运算
- 张量的切片
张量
张量的定义
PyTorch 中的所有内容都基于 Tensor(张量) 操作的。张量可以具有不同的尺寸，它可以是 1 维（标量），2 维（矢量），甚至 3 维（矩阵）或更高。让我们看一下如何在 PyTorch 中创建张量。
import torch
# 利用 torch.empty() 初始化指定大小的张量，如果不指定值的话，内容为随机值
# 传入的参数为想创建的张量大小
x = torch.empty(1) # scalar，大小为 1*1 的张量
print(x.size())
x = torch.empty(3) # vector, 1D，大小为 1*3 的张量
print(x.size())
x = torch.empty(2, 3) # matrix, 2D，大小为 2*3 的张量
print(x.size())
x = torch.empty(2, 2, 3) # tensor, 3D，大小为 2*2*3 的张量
print(x.size())
动手练习｜如果你对课程所使用的实验楼 Notebook 在线环境并不熟悉，可以先学习 使用指南课程。
如果我们需要随机初始化值在 0-1 之间的张量（服从均匀分布），可以使用 torch.rand(size)：
# torch.rand(size)
torch.rand(5, 3) # 初始化 5*3 大小的 0-1 之间的张量
如果我们想初始化全为 1 或者全为 0 的张量，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)
可以通过 x.size() 得到某个张量的大小：
x.size()
可以通过 x.dtype 查看 x 中值的具体类型：
x.dtype
当然，也可以在初始化时传入 dtype 参数，指定数组值的类型：
x = torch.zeros(5, 3, dtype=torch.float16)
print(x)
# check type
print(x.dtype)
如果我们需要创建指定值的张量，我们可以使用 torch.tensor(list)，list 可以为 NumPy 中的一个列表。
#创建的张量中的值为 [5.5,3]
x = torch.tensor([5.5, 3])
print(x)
print(x.size())
如果想要定义的张量能够自动计算梯度（后面会说明用处），那么我们就需要将参数 requires_grad 置为 True。
torch.tensor([5.5, 3], requires_grad=True)
张量的运算
张量的加法：
y = torch.rand(2, 2)
x = torch.rand(2, 2)
z = x + y
z
张量的减法：
# 使用 - 或者 .sub 都可以表示张量减法
z = x - y
print(z)
z = torch.sub(x, y)
print(z)
张量乘法（利用 * 或者 torch.mul表示）：
# 张量乘法
z = x * y
print(z)
z = torch.mul(x, y)
print(z)
张量除法(使用 / 或者 torch.div 表示)：
# 张量除法
z = x / y
print(z)
z = torch.div(x, y)
print(z)
张量的切片
和 NumPy 的切片类似，如下：
x = torch.rand(5, 3) print(x) print(x[1, 1]) # 第一个值表示第一维（即行号），第二个值表示第二维（即列号） print(x[:, 0]) # 所有的行中的第 1 列 print(x[1, :]) # 第 2 行中所有的列
张量的重塑
重塑的意思就是将原张量的形状进行变换，即元素总个数不变的情况下改变行数和列数，使用 torch.view(size) 类似于 numpy.reshape。
x = torch.randn(4, 4)
y = x.view(16) # 指定改变后的大小
z = x.view(2, 8)
print(x.size(), y.size(), z.size())
当 x 的大小为 12\times23\times32
12×23×32 ，而我们想把 x 转为 2\times m
2×m 的大小时，我们就必须手动算出 12\times23\times32
12×23×32 的值，然后除以 2，进而得到 m 的值。
为了避免这种情况，我们可以将 m 所在位置赋为 -1。计算机看到 -1 时，会自动使用 12\times23\times32 ÷ 2
12×23×32÷2 的值来替换 -1：
x = torch.randn(12, 23, 32)
y = x.view(2, -1) # 将需要计算的那个维度直接用 -1 表示 12*23*32/2 的值
x.size(), y.size()
注意：一次切片中只能有一个位置值 -1 。
NumPy 与 Tensor
可以使用 tensor.numpy() 将 Tensor 类型的变量转为 NumPy 类型：
a = torch.ones(5)
print(a)
b = a.numpy()
print(b)
print(type(b))
可以使用 torch.from_numpy() 将 NumPy 类型的变量转为 Tensor：
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
print(a)
print(b)
GPU 上创建张量
默认情况下，所有的张量都是在 CPU 上创建的，但是你也可以使用 GPU 创建它，或者将 CPU 创建的向量移动到 GPU 中。
当然，下面代码只有在你的电脑支持 GPU 的情况下才能运行。
我们可以通过 torch.cuda.is_available() 命令，查看本地环境时候支持 GPU ：
torch.cuda.is_available()
- True 表示支持
- False 表示不支持
由于 GPU 成本过高，本实验我们暂且不使用（将其用在刀刃上），所以线上环境会返回 False。
由于本章节没有配置 GPU ，因此下面两段代码只能阐述一下了。
将变量放到 GPU 中运行的方式有两种，如下：
在定义时就指定参数 device
# 如果支持 GPU 则传入字符串 cuda，否则传入 cpu
device = torch.device("cuda")
y = torch.ones_like(x, device=device) # 在 GPU 上直接创建张量
创建张量后，将变量移动到 GPU 中
x = torch.randn(4, 4)
device = torch.device("cuda")
x = x.to(device) # 将张量移动到 GPU
实验总结
本实验主要讲解了张量的定义，以及如何使用 PyTorch 完成张量的加、减、乘、除、切片和重塑等操作。在实验的最后，我们对张量进行了扩展，阐述了如何查看本地环境是否支持 GPU ，以及如何将变量定义到 GPU 之中。
完整课程请点击链接《PyTorch 基础入门实战》，可免费试学前两节，新课上线近期优惠价哦！
