PyTorch 是什么?

它是一个基于 Python 的科学计算包, 其主要是为了解决两类场景:

  • NumPy 的替代品, 以使用 GPU 的强大加速功能
  • 一个深度学习研究平台, 提供最大的灵活性和速度

新手入门

Tensors(张量)

Tensors 与 NumPy 的 ndarrays 非常相似, 除此之外还可以在 GPU 上使用张量来加速计算.

from __future__ import print_function
import torch

构建一个 5x3 的矩阵, 未初始化的:

x = torch.Tensor(5, 3)
print(x)

构建一个随机初始化的矩阵:

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

获得 size:

print(x.size())

Note

torch.Size 实际上是一个 tuple(元组), 所以它支持所有 tuple(元组)的操作.

操作

针对操作有许多语法. 在下面的例子中, 我们来看看加法运算.

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 tensor 作为参数

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

加法: in-place(就地操作)

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

Note

任何改变张量的操作方法都是以后缀 _ 结尾的. 例如: x.copy_(y), x.t_(), 将改变张量 x.

你可以用类似Numpy的索引来处理所有的张量!

print(x[:, 1])

改变大小: 如果你想要去改变tensor的大小, 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())

稍候阅读:

100+ Tensor 操作, 包括换位, 索引, 切片, 数学运算, 线性代数, 随机数, 等等, 都在 这里 有描述.

NumPy Bridge

将一个 Torch Tensor 转换为 NumPy 数组, 反之亦然.

Torch Tensor 和 NumPy 数组将会共享它们的实际的内存位置, 改变一个另一个也会跟着改变.

转换一个 Torch Tensor 为 NumPy 数组

a = torch.ones(5)
print(a)
b = a.numpy()
print(b)

查看 numpy 数组是如何改变的.

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

转换 NumPy 数组为 Torch Tensor

看看改变 np 数组之后 Torch Tensor 是如何自动改变的

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

除了 CharTensor 之外, CPU 上的所有 Tensor 都支持与Numpy进行互相转换

CUDA Tensors

可以使用 .cuda 方法将 Tensors 在GPU上运行.

# 只要在  CUDA 是可用的情况下, 我们可以运行这段代码
if torch.cuda.is_available():
    x = x.cuda()
    y = y.cuda()
    x + y

Total running time of the script: ( 0 minutes 0.000 seconds)

Gallery generated by Sphinx-Gallery