基于基于PyTorch的深度学习入门教程的PyTorch的简单知识

本文指的是PyTorch官方网站上的教程，该教程分为五个基本模块来介绍PyTorch。为了避免文章太长，在五个博客文章中介绍了这五个模块。
第1部分：PyTorch的简单知识第2部分：PyTorch的自动梯度计算第3部分：使用PyTorch构建神经网络第4部分：训练神经网络分类器第5部分：数据并行化本文与第1部分有关。第1部分：PyTorch的简单知识PyTorch是基于Python的科学计算框架，用于深度学习相关研究。
????????????????????????????????????????????????????????? ????????????????????????????????????????????????????????? ????????????????????????????????????????????????????????? ????????????????????????????????????????????????????????? ????????????????????????????????????????????????????????? ????????????????????????????????????????????????????????? ????????????????????????????????????????????????????????? ????????????????????????????????????????????????????????? ????????????????????????????????????????????????????????? ????????????????????????????????????????????????????????? ????????????????????????????????????????????????????????? ????????????????????????????????????????????????????????? ????????????????????????????????????????????????????????? ????????????????????????????????????????????????????????? ?????????????????????????????????????????????????????? ????????????????????????????????????????????????有关Python语言的介绍，您可以参考介绍Python＆amp; Numpy的前两个博客。它们是Python＆amp; Numpy教程（顶部）和Python＆amp; Numpy教程（底部）。
在这里，我们直接介绍PyTorch中的基本操作。 1 Tensors Tensors与numpy中的ndarray相似，但Tensors支持GPU操作。
首先，让我们做一些简单的例子。导入基本包：构建5 * 3未初始化矩阵：x = torch.Tensor（5,3）print（x）构建随机初始化矩阵：x = torch.rand（5,3）print（x）获取大小注意：torch.Size实际上是一个元组，因此它支持相同的操作。
2操作（Operations）操作可以用多种语法表示，我们以加法为例进行说明。加法：语法1y = torch.rand（5,3）print（x + y）加法：语法2print（torch.add（x，y））加法：给定输出tensorresult = torch.Tensor（5,3）torch .add （x，y，out ＝结果）print（结果）加法：就地加法＃addsxtoyy.add_（x）print（y）注意，在适当位置改变张量的任何操作都将后跟A后缀“ _”。
，例如：x.copy_（y），x.t_（），将更改x的值。您可以使用标准的numpy索引。
print（x [：，1]）3NumpyBridge将火炬张量转换为numpy数组，反之亦然。 Torch的Tensor和numpy的数组共享基础内存地址，因此更改一个将更改另一个。
将torchTensor转换为numpyarraya = torch.ones（5）print（a）b = a.numpy（）print（b）观察numpyarray的值如何变化。 a.add_（1）print（a）print（b）将numpyarray转换为torchTensor，以查看更改numpyarray的值也如何更改torchTensor。
importnumpyasnpa = np.ones（5）b = torch.from_numpy（a）np.add（a，1，out = a）print（a）print（b）CPU上的所有张量（CharTensor除外）都支持双向到Numpy转换。可以使用.cuda函数将4CUDATensors移至GPU。
＃letusrunthiscellonlyifCUDAisavailableiftorch.cuda.is_available（）：x = x.cuda（）y = y.cuda（）x + y。