PyTorch tensor入门
译者：Fadegentle
项目地址：https://pytorch.apachecn.org/2.0/tutorials/beginner/introyt/tensors_deeper_tutorial
原始地址：https://pytorch.org/tutorials/beginner/introyt/tensors_deeper_tutorial.html
请跟随下面的视频或在 youtube 上观看。
tensor是 PyTorch 的核心数据抽象。本互动笔记本将深入介绍 torch.Tensor 类。
首先，让我们导入 PyTorch 模块。另外因为某些示例需要，我们还要添加 Python 的数学模块。
创建tensor
创建tensor最简单的方法是调用 torch.empty()：
输出：
让我们来解读一下刚才的操作：
- 我们使用
torch模块附带的众多工厂方法之一创建了一个tensor。 - 该tensor本身是二维的，有 3 行 4 列。
- 返回对象的类型是
torch.Tensor，它是torch.FloatTensor的别名；默认情况下，PyTorch tensor使用 32 位浮点数填充。(下面将详细介绍数据类型。) - 在打印tensor时，您可能会看到一些随机的数值。
torrent.empty()调用为tensor分配了内存，但没用任何值对其初始化——所以您看到的是分配时内存中的内容。
关于tensor及其维数和术语的简要说明：
- 有时，您会看到一个一维tensor被称为向量。
- 同样，二维tensor通常被称为矩阵。
- 超过两个维度的情况一般都被称为tensor。
在大多数情况下，您会想要用一些值来初始化您的tensor。常见的情况有全 0、全 1 或随机值，torch 模块为这些情况都提供了工厂方法：
zeros = torch.zeros(2, 3)
print(zeros)
ones = torch.ones(2, 3)
print(ones)
torch.manual_seed(1729)
random = torch.rand(2, 3)
print(random)
输出：
tensor([[0., 0., 0.],
[0., 0., 0.]])
tensor([[1., 1., 1.],
[1., 1., 1.]])
tensor([[0.3126, 0.3791, 0.3087],
[0.0736, 0.4216, 0.0691]])
这些工厂方法都如您所愿——我们得到了一个全是 0 的tensor，另一个全是 1 的tensor，还有一个包含 0 和 1 之间随机值的tensor。
随机tensor和种子设置
说到随机tensor，您是否注意到紧接在它之前调用了 torch.manual_seed() ？将tensor初始化为随机值是常见的做法，比如模型的学习权重，但在某些情况下(尤其是在研究环境中)您可能希望确保您的结果是可重现的。手动设置随机数生成器的种子就能做到这个，让我们仔细看一下：
torch.manual_seed(1729)
random1 = torch.rand(2, 3)
print(random1)
random2 = torch.rand(2, 3)
print(random2)
torch.manual_seed(1729)
random3 = torch.rand(2, 3)
print(random3)
random4 = torch.rand(2, 3)
print(random4)
输出：
tensor([[0.3126, 0.3791, 0.3087],
[0.0736, 0.4216, 0.0691]])
tensor([[0.2332, 0.4047, 0.2162],
[0.9927, 0.4128, 0.5938]])
tensor([[0.3126, 0.3791, 0.3087],
[0.0736, 0.4216, 0.0691]])
tensor([[0.2332, 0.4047, 0.2162],
[0.9927, 0.4128, 0.5938]])
您应该在上面看到，random1 和 random3 携带着相同的值，random2 和 random4 也是如此。手动设置随机数生成器的种子会重置它，因此一般而言，相同随机数的相同计算应有相同的结果。
有关更多信息，请参阅 PyTorch 文档关于可重现性的部分。
tensor形状
通常，当您对两个或多个tensor执行操作时，它们需要具有相同的形状——也就是说，维数相同和每个维度中的单元数相同。为此，我们有 torch.*_like() 方法：
x = torch.empty(2, 2, 3)
print(x.shape)
print(x)
empty_like_x = torch.empty_like(x)
print(empty_like_x.shape)
print(empty_like_x)
zeros_like_x = torch.zeros_like(x)
print(zeros_like_x.shape)
print(zeros_like_x)
ones_like_x = torch.ones_like(x)
print(ones_like_x.shape)
print(ones_like_x)
rand_like_x = torch.rand_like(x)
print(rand_like_x.shape)
print(rand_like_x)
输出：
torch.Size([2, 2, 3])
tensor([[[ 1.3323e-33, 0.0000e+00, 1.2565e-33],
[ 0.0000e+00, -6.9300e-03, -2.9693e-02]],
[[-4.2094e-02, 2.6203e-02, 6.7262e-44],
[ 0.0000e+00, 6.7262e-44, 0.0000e+00]]])
torch.Size([2, 2, 3])
tensor([[[ 6.0476e-35, 0.0000e+00, -9.5918e-01],
[ 4.5559e-41, 4.4842e-44, 0.0000e+00]],
[[ 8.9683e-44, 0.0000e+00, 1.3039e-33],
[ 0.0000e+00, 1.1351e-43, 0.0000e+00]]])
torch.Size([2, 2, 3])
tensor([[[0., 0., 0.],
[0., 0., 0.]],
[[0., 0., 0.],
[0., 0., 0.]]])
torch.Size([2, 2, 3])
tensor([[[1., 1., 1.],
[1., 1., 1.]],
[[1., 1., 1.],
[1., 1., 1.]]])
torch.Size([2, 2, 3])
tensor([[[0.6128, 0.1519, 0.0453],
[0.5035, 0.9978, 0.3884]],
[[0.6929, 0.1703, 0.1384],
[0.4759, 0.7481, 0.0361]]])
上面代码单元中的第一个新功能是在tensor上使用 .shape 属性。该属性包含一个列表，其中包含tensor各维度的范围——在我们的例子中，x 是一个形状为 2 x 2 x 3 的三维tensor。
下面，我们将调用 .empty_like()、.zeros_like()、.one_like() 和 .rand_like() 方法。通过使用 .shape 属性，我们可以验证这些方法返回的tensor的维数和范围都是相同的。
创建tensor的最后一种方法是直接从 PyTorch 集合中指定数据：
some_constants = torch.tensor([[3.1415926, 2.71828], [1.61803, 0.0072897]])
print(some_constants)
some_integers = torch.tensor((2, 3, 5, 7, 11, 13, 17, 19))
print(some_integers)
more_integers = torch.tensor(((2, 4, 6), [3, 6, 9]))
print(more_integers)
输出：
tensor([[3.1416, 2.7183],
[1.6180, 0.0073]])
tensor([ 2, 3, 5, 7, 11, 13, 17, 19])
tensor([[2, 4, 6],
[3, 6, 9]])
如果数据已经存在于 Python 元组或列表中，使用 torch.tensor() 是创建tensor最简单的方法。如上所示，嵌套集合将产生多维tensor。
注意
torch.tensor() 会创建一个数据副本。
tensor数据类型
设置tensor的数据类型有几种方法：
a = torch.ones((2, 3), dtype=torch.int16)
print(a)
b = torch.rand((2, 3), dtype=torch.float64) * 20.
print(b)
c = b.to(torch.int32)
print(c)
输出：
tensor([[1, 1, 1],
[1, 1, 1]], dtype=torch.int16)
tensor([[ 0.9956, 1.4148, 5.8364],
[11.2406, 11.2083, 11.6692]], dtype=torch.float64)
tensor([[ 0, 1, 5],
[11, 11, 11]], dtype=torch.int32)
设置tensor底层数据类型的最简单方法是在创建时使用可选的参数。在上述单元格的第一行，我们为tensor a 设置了 dtype=torch.int16。当我们打印 a 时，可以看到它被填满了 1，而不是 1.0——这是 Python 的小提示，表示这是整数类型而非浮点数。
在打印 a 时还需要注意的一点是，与将 dtype 保持默认值(32 位浮点数)不同，打印tensor还会指定其 dtype。
您可能也发现了，我们从指定tensor的形状为一系列整数参数，变成了将这些参数分组为一个元组。严格来说，这并不是必须的( PyTorch 会将一系列初始的、无标签的整数参数作为tensor形状)，但在添加可选参数时，这可以使您的意图便于理解。
另一种设置数据类型的方法是使用 .to() 方法。在上面的单元格中，我们按照通常的方式创建了一个随机浮点tensor b。在随后，我们使用 .to() 方法将 b 转换为 32 位整数来创建 c。请注意，c 包含的所有值与 b 相同，但被截断为整数。
可用数据类型包括：
torch.booltorch.int8torch.uint8torch.int16torch.int32torch.int64torch.halftorch.floattorch.doubletorch.bfloat
用 PyTorch tensor进行数学和逻辑运算
现在您已经了解了一些创建tensor的方法，那么您可以用它们做什么呢？
首先，让我们先看一下基本的算术运算，以及tensor如何与简单的标量进行交互：
ones = torch.zeros(2, 2) + 1
twos = torch.ones(2, 2) * 2
threes = (torch.ones(2, 2) * 7 - 1) / 2
fours = twos ** 2
sqrt2s = twos ** 0.5
print(ones)
print(twos)
print(threes)
print(fours)
print(sqrt2s)
输出：
tensor([[1., 1.],
[1., 1.]])
tensor([[2., 2.],
[2., 2.]])
tensor([[3., 3.],
[3., 3.]])
tensor([[4., 4.],
[4., 4.]])
tensor([[1.4142, 1.4142],
[1.4142, 1.4142]])
如您在上面看到的，tensor与标量之间的算术运算，比如加法、减法、乘法、除法和指数运算，会作用于tensor的每个元素。因为此类运算的输出将是一个tensor，您可以按通用运算符优先规则将它们链接在一起，就像我们在创建 threes 的那一行中所示。
类似的操作在两个tensor之间也如您所愿：
powers2 = twos ** torch.tensor([[1, 2], [3, 4]])
print(powers2)
fives = ones + fours
print(fives)
dozens = threes * fours
print(dozens)
输出：
这里需要注意的是，上面代码单元格中的所有tensor都具有相同的形状。如果我们尝试在形状不同的tensor上执行二元运算，会发生什么呢？
注意
以下单元格会抛出运行时错误。是故意为之。
通常，您不能以这种方式操作不同形状的tensor，即使像上面的单元格中，tensor具有相同数量元素的情况，也不行。
简述：tensor广播
注意
如果您熟悉 NumPy ndarrays 中的广播语义，您会发现相同的规则也适用于这里。
相同形状规则的例外是tensor广播。以下是一个示例：
输出：
tensor([[0.6146, 0.5999, 0.5013, 0.9397],
[0.8656, 0.5207, 0.6865, 0.3614]])
tensor([[1.2291, 1.1998, 1.0026, 1.8793],
[1.7312, 1.0413, 1.3730, 0.7228]])
这里有什么诀窍？我们是如何将一个 2x4 tensor乘以一个 1x4 tensor的呢？
广播是在形状相似的tensor之间进行运算的一种方式。在上面的例子中，单行四列tensor与双行四列tensor的两行相乘。
这是深度学习中的一个重要操作。常见的例子是将一个学习权重tensor与一批输入tensor相乘，分别对批次中的每个实例进行运算，然后返回一个形状相同的tensor——就像我们上面的 (2, 4) * (1, 4) 例子一样，返回一个形状为 (2, 4) 的tensor。
广播的规则如下：
- 每个tensor必须至少有一个维度，不能是空tensor。
- 比较两个tensor的维数大小，从最后一个到第一个：
- 每个维度必须相等，或
- 其中一个维的大小必须为 1，或
- 维度在一个tensor中不存在
当然，形状相同的tensor是“可广播”的，这在前面已经提到过。
下面是一些符合上述规则的可广播示例：
a = torch.ones(4, 3, 2)
b = a * torch.rand( 3, 2) # 3rd & 2nd dims identical to a, dim 1 absent
print(b)
c = a * torch.rand( 3, 1) # 3rd dim = 1, 2nd dim identical to a
print(c)
d = a * torch.rand( 1, 2) # 3rd dim identical to a, 2nd dim = 1
print(d)
输出：
tensor([[[0.6493, 0.2633],
[0.4762, 0.0548],
[0.2024, 0.5731]],
[[0.6493, 0.2633],
[0.4762, 0.0548],
[0.2024, 0.5731]],
[[0.6493, 0.2633],
[0.4762, 0.0548],
[0.2024, 0.5731]],
[[0.6493, 0.2633],
[0.4762, 0.0548],
[0.2024, 0.5731]]])
tensor([[[0.7191, 0.7191],
[0.4067, 0.4067],
[0.7301, 0.7301]],
[[0.7191, 0.7191],
[0.4067, 0.4067],
[0.7301, 0.7301]],
[[0.7191, 0.7191],
[0.4067, 0.4067],
[0.7301, 0.7301]],
[[0.7191, 0.7191],
[0.4067, 0.4067],
[0.7301, 0.7301]]])
tensor([[[0.6276, 0.7357],
[0.6276, 0.7357],
[0.6276, 0.7357]],
[[0.6276, 0.7357],
[0.6276, 0.7357],
[0.6276, 0.7357]],
[[0.6276, 0.7357],
[0.6276, 0.7357],
[0.6276, 0.7357]],
[[0.6276, 0.7357],
[0.6276, 0.7357],
[0.6276, 0.7357]]])
仔细观察上面每个tensor的值：
- 创建tensor
b的乘法操作是在tensora的每个“层”上进行广播的。 - 对于
c，操作在a的每个层和每一行上进行广播——每个由 3 个元素组成的列是相同的。 - 对于
d，我们将它改变了——现在每一行在层和列之间都是相同的。
有关广播的更多信息，请参阅 PyTorch 的相关文档。
以下是一些尝试进行广播的示例，这些示例会失败：
注意
以下单元格会抛出运行时错误。是故意为之。
a = torch.ones(4, 3, 2)
b = a * torch.rand(4, 3) # dimensions must match last-to-first
c = a * torch.rand( 2, 3) # both 3rd & 2nd dims different
d = a * torch.rand((0, )) # can't broadcast with an empty tensor
更多tensor数学运算
PyTorch tensor上有三百多种可以执行的操作。
以下是一小部分主要类别操作的示例：
# common functions
a = torch.rand(2, 4) * 2 - 1
print('Common functions:')
print(torch.abs(a))
print(torch.ceil(a))
print(torch.floor(a))
print(torch.clamp(a, -0.5, 0.5))
# trigonometric functions and their inverses
angles = torch.tensor([0, math.pi / 4, math.pi / 2, 3 * math.pi / 4])
sines = torch.sin(angles)
inverses = torch.asin(sines)
print('\nSine and arcsine:')
print(angles)
print(sines)
print(inverses)
# bitwise operations
print('\nBitwise XOR:')
b = torch.tensor([1, 5, 11])
c = torch.tensor([2, 7, 10])
print(torch.bitwise_xor(b, c))
# comparisons:
print('\nBroadcasted, element-wise equality comparison:')
d = torch.tensor([[1., 2.], [3., 4.]])
e = torch.ones(1, 2) # many comparison ops support broadcasting!
print(torch.eq(d, e)) # returns a tensor of type bool
# reductions:
print('\nReduction ops:')
print(torch.max(d)) # returns a single-element tensor
print(torch.max(d).item()) # extracts the value from the returned tensor
print(torch.mean(d)) # average
print(torch.std(d)) # standard deviation
print(torch.prod(d)) # product of all numbers
print(torch.unique(torch.tensor([1, 2, 1, 2, 1, 2]))) # filter unique elements
# vector and linear algebra operations
v1 = torch.tensor([1., 0., 0.]) # x unit vector
v2 = torch.tensor([0., 1., 0.]) # y unit vector
m1 = torch.rand(2, 2) # random matrix
m2 = torch.tensor([[3., 0.], [0., 3.]]) # three times identity matrix
print('\nVectors & Matrices:')
print(torch.cross(v2, v1)) # negative of z unit vector (v1 x v2 == -v2 x v1)
print(m1)
m3 = torch.matmul(m1, m2)
print(m3) # 3 times m1
print(torch.svd(m3)) # singular value decomposition
输出：
Common functions:
tensor([[0.9238, 0.5724, 0.0791, 0.2629],
[0.1986, 0.4439, 0.6434, 0.4776]])
tensor([[-0., -0., 1., -0.],
[-0., 1., 1., -0.]])
tensor([[-1., -1., 0., -1.],
[-1., 0., 0., -1.]])
tensor([[-0.5000, -0.5000, 0.0791, -0.2629],
[-0.1986, 0.4439, 0.5000, -0.4776]])
Sine and arcsine:
tensor([0.0000, 0.7854, 1.5708, 2.3562])
tensor([0.0000, 0.7071, 1.0000, 0.7071])
tensor([0.0000, 0.7854, 1.5708, 0.7854])
Bitwise XOR:
tensor([3, 2, 1])
Broadcasted, element-wise equality comparison:
tensor([[ True, False],
[False, False]])
Reduction ops:
tensor(4.)
4.0
tensor(2.5000)
tensor(1.2910)
tensor(24.)
tensor([1, 2])
Vectors & Matrices:
tensor([ 0., 0., -1.])
tensor([[0.7375, 0.8328],
[0.8444, 0.2941]])
tensor([[2.2125, 2.4985],
[2.5332, 0.8822]])
torch.return_types.svd(
U=tensor([[-0.7889, -0.6145],
[-0.6145, 0.7889]]),
S=tensor([4.1498, 1.0548]),
V=tensor([[-0.7957, 0.6056],
[-0.6056, -0.7957]]))
这只是一小部分运算示例。如需了解更多详情和所有数学函数，请参阅文档。
原地修改tensor
大多数对tensor的二进制运算都会返回第三个新tensor。当我们说 c = a * b(其中 a 和 b 都是tensor)时，新的tensor c 将占据一个与其他tensor不同的内存区域。
不过，有时您可能希望原地改变一个tensor——例如，如果您正在进行元素计算，您可以丢弃中间值。为此，大多数数学函数都有一个带下划线 (_) 的版本，可以原地改变tensor。
例如：
a = torch.tensor([0, math.pi / 4, math.pi / 2, 3 * math.pi / 4])
print('a:')
print(a)
print(torch.sin(a)) # this operation creates a new tensor in memory
print(a) # a has not changed
b = torch.tensor([0, math.pi / 4, math.pi / 2, 3 * math.pi / 4])
print('\nb:')
print(b)
print(torch.sin_(b)) # note the underscore
print(b) # b has changed
输出：
a:
tensor([0.0000, 0.7854, 1.5708, 2.3562])
tensor([0.0000, 0.7071, 1.0000, 0.7071])
tensor([0.0000, 0.7854, 1.5708, 2.3562])
b:
tensor([0.0000, 0.7854, 1.5708, 2.3562])
tensor([0.0000, 0.7071, 1.0000, 0.7071])
tensor([0.0000, 0.7071, 1.0000, 0.7071])
对于算术运算，也有类似的函数：
a = torch.ones(2, 2)
b = torch.rand(2, 2)
print('Before:')
print(a)
print(b)
print('\nAfter adding:')
print(a.add_(b))
print(a)
print(b)
print('\nAfter multiplying')
print(b.mul_(b))
print(b)
输出：
Before:
tensor([[1., 1.],
[1., 1.]])
tensor([[0.3788, 0.4567],
[0.0649, 0.6677]])
After adding:
tensor([[1.3788, 1.4567],
[1.0649, 1.6677]])
tensor([[1.3788, 1.4567],
[1.0649, 1.6677]])
tensor([[0.3788, 0.4567],
[0.0649, 0.6677]])
After multiplying
tensor([[0.1435, 0.2086],
[0.0042, 0.4459]])
tensor([[0.1435, 0.2086],
[0.0042, 0.4459]])
请注意，这些原地运算函数是 torch.Tensor 对象上的方法，而不是像许多其他函数(如 torch.sin())那样附加到 torch 模块上。从 a.add_(b) 可以看出，调用的tensor会原地发生变化。
还有一种方法可以将计算结果放入现有的已分配tensor中。到目前为止，我们看到的许多方法和函数(包括创建方法)都有一个 out 参数，可以指定一个tensor来接收输出结果。如果 out tensor的形状和 dtype 正确，就无需分配新的内存：
a = torch.rand(2, 2)
b = torch.rand(2, 2)
c = torch.zeros(2, 2)
old_id = id(c)
print(c)
d = torch.matmul(a, b, out=c)
print(c) # contents of c have changed
assert c is d # test c & d are same object, not just containing equal values
assert id(c) == old_id # make sure that our new c is the same object as the old one
torch.rand(2, 2, out=c) # works for creation too!
print(c) # c has changed again
assert id(c) == old_id # still the same object!
输出：
tensor([[0., 0.],
[0., 0.]])
tensor([[0.3653, 0.8699],
[0.2364, 0.3604]])
tensor([[0.0776, 0.4004],
[0.9877, 0.0352]])
复制tensor
与 Python 中的对象一样，将tensor赋值给变量会使变量成为tensor的标签，而不会复制它。例如：
输出：
但是，如果您需要一个单独的数据副本来处理数据，该怎么办呢？clone()方法就能满足您的需求：
a = torch.ones(2, 2)
b = a.clone()
assert b is not a # different objects in memory...
print(torch.eq(a, b)) # ...but still with the same contents!
a[0][1] = 561 # a changes...
print(b) # ...but b is still all ones
输出：
使用 clone() 时需要注意一件重要的事情。如果源tensor启用了自动微分，那么克隆也会启用。关于自动微分的视频将对此进行更深入的介绍，但如果您想了解更多细节，请继续往下看。
在大多情况下，这就是您想要的。例如，如果模型的 forward() 方法有多个计算路径，而原始tensor和克隆tensor都对模型的输出有贡献，那么要实现模型学习，就需要同时打开两个tensor的自动微分。如果源tensor启用了自动微分(如果它是一组学习权重或从涉及权重的计算中导出，则通常会启用)，那么就会得到想要的结果。
另一方面，如果您正在进行的计算中，原始tensor或其克隆都不需要跟踪梯度，那么只要源tensor关闭了自动微分，就可以正常运行。
不过还有第三种情况,想象一下：您在模型的 forward() 函数中执行计算，默认情况下梯度都是打开的，但您想在中途取出一些值来生成一些指标。在这种情况下，您不希望源tensor的克隆副本跟踪梯度——关闭自动微分的历史跟踪可以提高性能。为此，您可以在源tensor上使用 .detach() 方法：
a = torch.rand(2, 2, requires_grad=True) # turn on autograd
print(a)
b = a.clone()
print(b)
c = a.detach().clone()
print(c)
print(a)
输出：
tensor([[0.0905, 0.4485],
[0.8740, 0.2526]], requires_grad=True)
tensor([[0.0905, 0.4485],
[0.8740, 0.2526]], grad_fn=<CloneBackward0>)
tensor([[0.0905, 0.4485],
[0.8740, 0.2526]])
tensor([[0.0905, 0.4485],
[0.8740, 0.2526]], requires_grad=True)
发生了什么？
- 我们创建了一个开启
requirements_grad=True的a。我们还没有涉及这个可选参数，但会在自动微分单元中涉及。 - 当我们打印
a时，它会告诉我们属性requires_grad=True——这意味着自动微分和计算历史跟踪已打开。 - 我们拷贝
a并标记为b。当我们打印b时，可以看到它正在跟踪计算历史记录——它继承了a的自动微分设置，并添加到了计算历史记录中。 - 我们将
a复制到c中，但要先调用detach()。 - 在打印
c时，我们没有看到计算历史，也没有看到requires_grad=True。
detach() 方法 将tensor从其计算历史中分离出来。它说："不管接下来要做什么，都要像关闭自动微分一样"。我们可以看到，当我们在最后再次打印 a 时，它保留了 requires_grad=True 属性。
转用 GPU
PyTorch 的主要优势之一是其在兼容 CUDA 的 Nvidia GPU 上的强大加速能力。 CUDA 是计算统一设备架构(Compute Unified Device Architecture)的缩写，是 Nvidia 的并行计算平台。到目前为止，我们所做的一切都是在 CPU 上完成的。我们该如何使用更快的硬件呢？
首先，我们应该使用 is_available() 方法检查 GPU 是否可用。
注意
如果您没有安装与 CUDA 兼容的 GPU 和 CUDA 驱动程序，本节中的可执行单元将无法执行任何与 GPU 相关的代码。
输出：
一旦确定有一个或多个 GPU 可用，我们就需要将数据放到 GPU 可以看到的地方。CPU 在计算机 RAM 中对数据进行计算。而 GPU 则连接有专用内存。每当要在设备上执行计算时，必须将计算所需的所有数据移动到该设备可访问的内存中。(通俗地说，"将数据移至 GPU 可访问的内存 "简称为 "将数据移至 GPU")。
将数据转移到目标设备上的方法有多种，可以在创建时进行：
if torch.cuda.is_available():
gpu_rand = torch.rand(2, 2, device='cuda')
print(gpu_rand)
else:
print('Sorry, CPU only.')
输出：
默认情况下，新tensor是在 CPU 上创建的，因此我们必须使用可选的 device 参数来指定何时在 GPU 上创建tensor。您可以看到，当我们打印新tensor时，PyTorch 会告诉我们它在哪个设备上(如果它不在 CPU 上)。
您可以使用 torch.cuda.device_count() 来查询 GPU 的数量。如果有多个 GPU，可以通过索引指定：device='cuda:0'、device='cuda:1' 等。
在编码实践中，使用字符串常量指定设备是非常不稳健的。在理想情况下，无论您使用的是 CPU 还是 GPU 硬件，您的代码都应该能稳定运行。为此，您可以创建一个设备句柄，将其传递给您的tensor，而非字符串：
if torch.cuda.is_available():
my_device = torch.device('cuda')
else:
my_device = torch.device('cpu')
print('Device: {}'.format(my_device))
x = torch.rand(2, 2, device=my_device)
print(x)
输出：
如果在一个设备上已有一个tensor，可以使用 to() 方法将其移动到另一个设备上。下面的代码在 CPU 上创建了一个tensor，并将其移动到上一单元中获得的设备句柄。
要知道，想进行涉及两个或多个tensor的计算，所有tensor必须在同一设备上。无论您是否拥有 GPU 设备，以下代码都会在运行时出错：
操作tensor形状
有时，您需要改变tensor的形状。下面，我们将介绍几种常见情况，以及如何处理它们。
更改维数
您可能需要更改维数的一种情况是，向模型传递单个输入实例。PyTorch 模型通常需要成批的输入。
例如，想象一下有一个模型可以在 3 x 226 x 226 图像(一个具有 3 个颜色通道的 226 像素正方形)上工作。当您加载并转换它时，您会得到一个形状为 (3, 226, 226) 的tensor。而您的模型则希望输入形状为(N，3，226，226)的tensor，其中 N 是批次中图像的数量。那么，如何制作一个批次的图像呢？
a = torch.rand(3, 226, 226)
b = a.unsqueeze(0)
print(a.shape)
print(b.shape)
torch.Size([3, 226, 226])
torch.Size([1, 3, 226, 226])
unsqueeze() 方法添加了一个范围为 1 的维度，unsqueeze(0) 则将其添加为一个新的第零维度——现在您有了一批 1 的维度！
所以这就是 维度扩展( unsqueezing )？维度压缩( squeezing )又是什么意思？实际上，范围为 1 的任何维度都 不会 改变tensor中元素的数量。
输出：
继续上面的例子，假设模型的输出是每个输入的 20 元素的向量。那么您就会期望输出的形状是 (N, 20)，其中 N 是输入批次中实例的数量。这意味着，对于单输入批次而言，我们将得到一个形状为(1，20)的输出。
如果您想用该输出进行一些非批处理计算——只期望得到一个 20 元素的向量，该怎么办呢？
a = torch.rand(1, 20)
print(a.shape)
print(a)
b = a.squeeze(0)
print(b.shape)
print(b)
c = torch.rand(2, 2)
print(c.shape)
d = c.squeeze(0)
print(d.shape)
输出：
torch.Size([1, 20])
tensor([[0.1899, 0.4067, 0.1519, 0.1506, 0.9585, 0.7756, 0.8973, 0.4929, 0.2367,
0.8194, 0.4509, 0.2690, 0.8381, 0.8207, 0.6818, 0.5057, 0.9335, 0.9769,
0.2792, 0.3277]])
torch.Size([20])
tensor([0.1899, 0.4067, 0.1519, 0.1506, 0.9585, 0.7756, 0.8973, 0.4929, 0.2367,
0.8194, 0.4509, 0.2690, 0.8381, 0.8207, 0.6818, 0.5057, 0.9335, 0.9769,
0.2792, 0.3277])
torch.Size([2, 2])
torch.Size([2, 2])
a 显示了一组“额外”的方括号 []。
您只能 squeeze() 范围为 1 的维数。请看上图，我们试图在 c 中压缩一个尺寸为 2 的维度，结果得到的形状和开始时一样。对 squeeze() 和 unsqueeze() 的调用只能作用于范围为 1 的维度，否则会改变tensor中元素的数量。
unsqueeze()的另一个用途是简化广播。回顾上面的示例，我们有如下代码：
这样做的效果是在 0 维和 2 维上广播操作，导致随机的 3 x 1 tensor与 a 中每一列的 3 元素相乘。
如果随机向量只是 3 元素向量呢？我们将无法广播，因为根据广播规则，最终维数将不匹配。这时 unsqueeze() 就派上用场了：
a = torch.ones(4, 3, 2)
b = torch.rand( 3) # trying to multiply a * b will give a runtime error
c = b.unsqueeze(1) # change to a 2-dimensional tensor, adding new dim at the end
print(c.shape)
print(a * c) # broadcasting works again!
输出：
torch.Size([3, 1])
tensor([[[0.1891, 0.1891],
[0.3952, 0.3952],
[0.9176, 0.9176]],
[[0.1891, 0.1891],
[0.3952, 0.3952],
[0.9176, 0.9176]],
[[0.1891, 0.1891],
[0.3952, 0.3952],
[0.9176, 0.9176]],
[[0.1891, 0.1891],
[0.3952, 0.3952],
[0.9176, 0.9176]]])
squeeze() 和 unsqueeze() 也有原地版，squeeze_() 和 unsqueeze_()：
batch_me = torch.rand(3, 226, 226)
print(batch_me.shape)
batch_me.unsqueeze_(0)
print(batch_me.shape)
输出：
有时，您会希望更彻底地改变tensor的形状，同时仍保留元素的数量和内容。其中一种情况发生在模型的卷积层和线性层之间的接口处——这在图像分类模型中很常见。卷积核会产生一个形状特征 x 宽 x 高 的输出tensor，但接下来的线性层希望得到一个一维的输入。reshape() 可以帮您做到这一点，前提是您想要的维数与输入tensor的元素数相同：
output3d = torch.rand(6, 20, 20)
print(output3d.shape)
input1d = output3d.reshape(6 * 20 * 20)
print(input1d.shape)
# can also call it as a method on the torch module:
print(torch.reshape(output3d, (6 * 20 * 20,)).shape)
输出：
注意
上面单元格中最后一行的 (6 * 20 * 20,) 参数是因为 PyTorch 在指定tensor形状时期望一个元组——但当方法的第一个参数是形状时，它允许我们欺骗一下，只使用一系列整数。在这里，我们必须添加括号和逗号，告诉方法这是一个单元素元组。
如果可以，reshape() 会返回要更改的tensor的视图——也就是说，一个单独的tensor对象将查看同样的底层内存。这一点很重要：这意味着对源tensor所做的任何更改都会反映在该tensor的视图中，除非您 clone() 它。
在某些情况下，reshape() 必须返回一个携带数据副本的tensor，这超出了本介绍的范围。更多信息，请参阅文档。
NumPy 桥接
在上面关于广播的章节中，我们提到 PyTorch 的广播语义与 NumPy 的广播语义兼容，但 PyTorch 和 NumPy 之间的联系远不止于此。
如果您现有的 ML 或科学代码中的数据存储在 NumPy ndarrays 中，您可能希望用 PyTorch tensors 来表达相同的数据，无论是利用 PyTorch 的 GPU 加速，还是利用它构建 ML 模型的高效抽象。在 ndarrays 和 PyTorch tensors 之间切换非常简单：
import numpy as np
numpy_array = np.ones((2, 3))
print(numpy_array)
pytorch_tensor = torch.from_numpy(numpy_array)
print(pytorch_tensor)
输出：
PyTorch 创建了一个与 NumPy 数组形状、数据相同的tensor，甚至保留了 NumPy 的默认 64 位浮点数据类型。
这种转换也可以很容易地反过来：
pytorch_rand = torch.rand(2, 3)
print(pytorch_rand)
numpy_rand = pytorch_rand.numpy()
print(numpy_rand)
输出：
tensor([[0.8716, 0.2459, 0.3499],
[0.2853, 0.9091, 0.5695]])
[[0.87163675 0.2458961 0.34993553]
[0.2853077 0.90905803 0.5695162 ]]
要知道，这些转换后的对象与其源对象使用的是相同的底层内存，也就是说，其中一个对象的变化会反映在另一个对象上：
输出：
tensor([[ 1., 1., 1.],
[ 1., 23., 1.]], dtype=torch.float64)
[[ 0.87163675 0.2458961 0.34993553]
[ 0.2853077 17. 0.5695162 ]]
