这是一个基于Python的科学计算包，针对两组受众:
想要替换NumPy从而使用GPU的计算能力
提供最大灵活性和速度的深度学习研究平台
开始走起
Tensors
Tensors 类似于NumPy的 ndarrays, 另外，它还可以在GPU上使用加速计算。
from future import print_function import torch
构建一个 5x3 矩阵, 未初始化:
x = torch.empty(5, 3) print(x)
构建一个随机初始化的矩阵:
x = torch.rand(5, 3) print(x)
创建一个矩阵，用 0 填充，数据类型为 long:
x = torch.zeros(5, 3, dtype=torch.long) print(x)
直接从已有的数据(不是Tensor类型)创建一个矩阵:
x = torch.tensor([5.5, 3]) print(x)
或者基于一个已有的tensor创建一个新的tensor。这类方法将会重用 输入tensor的属性, e.g. dtype, 除非用户提供了新的属性值
x = x.new_ones(5, 3, dtype=torch.int) # new_* 方法需要接受 sizes 参数 print(x)
x = torch.randn_like(x, dtype=torch.float) # 覆盖上面的 x 的 dtype! print(x) # 结果有相同的 size
获得张量的 size:
print(x.size())
Note
torch.Size 事实上是个元祖(tuple),因此它支持所有的元祖操作 操作
张量的运算有多种语法。在下面的示例中，我们将查看加法运算，减法运算以此为例。
加法: 语法 1
y = torch.rand(5, 3) print(x + y)
加法: 语法 2
print(torch.add(x, y))
加法: 提供一个输出张量作为参数
result = torch.empty(5, 3) torch.add(x, y, out=result) print(result)
加法: 原位操作(in-place)
把 x 加到 y 上
y.add_(x) print(y)
Note
任何原位修改一个张量的运算操作都带有下划线后缀: _ 。 比如: x.copy_(y), x.t_(), 将会改变 x.
您可以使用标准的NumPy类索引(standard NumPy-like indexing) 以及它的所有一切花哨的索引技巧!
print(x[:, 1])
调整大小(Resizing): 如果要调整张量的大小/形状(resize/reshape tensor)，可以使用 torch.view:
x = torch.randn(4, 4) y = x.view(16) z = x.view(-1, 8) # 这个 size -1 是可以根据其他维的维数和总的维数推断出来的 print(x.size(), y.size(), z.size())
如果你有一个单元素张量(one element tensor), 可以使用 .item() 来取得里面的值，将其作为普通的Python number。
x = torch.randn(1) print(x) print(x.item())
稍后阅读:
100+ Tensor 运算操作, 包括 transposing, indexing, slicing, mathematical operations, linear algebra, random numbers, etc., 点击下面的链接查看 here.
NumPy 桥接
把Torch Tensor转换成NumPy array是很easy的，反之亦然。
Torch Tensor 和 NumPy array 将会共享底层内存位置, 并且 修改了一个后另个也会被改变. 把 Torch Tensor 转换为一个 NumPy Array
a = torch.ones(5) print(a)
b = a.numpy() print(b)
请看下面 numpy array 的数值是如何改变的.
a.add_(1) print(a) print(b)
把 NumPy Array 转为 Torch Tensor
请看如何自动的把 np array 转变为 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)
所有在CPU 上的张量除了CharTensor 之外都支持与Numpy之间的相互转换。 CUDA 张量
可以使用 .to 方法把张量移动到任意的设备。
让我们运行下面这段代码仅仅当 CUDA 可用的时候。
我们将使用 torch.device 对象把张量在CPU和GPU之间移进来移出去。
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!
Out:
tensor([0.8812], device='cuda:0') tensor([0.8812], dtype=torch.float64)
来源：oschina
链接：https://my.oschina.net/u/3081982/blog/3191415