2019年年初，ApacheCN組織志愿者翻譯了PyTorch1.0版本中文文檔（github地址），同時也獲得了PyTorch官方授權，我相信已經有許多人在中文文檔官網上看到了。不過目前校對還缺人手，希望大家踴躍參與。之前一段時間我們和PyTorch的有關負責人Bruce Lin一直在進行郵件交流。在之后適當的時候，我們會組織志愿者進行其他有關PyTorch的項目，歡迎大家加入我們，關注我們。更希望我們的一系列工作能夠對大家有所幫助。

譯者：bat67

校對者：FontTian

作者： Soumith Chintala

PyTorch是一個基于python的科學計算包，主要針對兩類人群：

• 作為NumPy的替代品，可以利用GPU的性能進行計算
• 作為一個高靈活性、速度快的深度學習平臺

入門

張量

Tensor（張量）類似于NumPy的ndarray，但還可以在GPU上使用來加速計算。

from __future__ import print_function import torch

創建一個沒有初始化的5*3矩陣：

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

輸出：

tensor([[2.2391e-19, 4.5869e-41, 1.4191e-17],[4.5869e-41, 0.0000e+00, 0.0000e+00],[0.0000e+00, 0.0000e+00, 0.0000e+00],[0.0000e+00, 0.0000e+00, 0.0000e+00],[0.0000e+00, 0.0000e+00, 0.0000e+00]])

創建一個隨機初始化矩陣：

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

輸出：

tensor([[0.5307, 0.9752, 0.5376],[0.2789, 0.7219, 0.1254],[0.6700, 0.6100, 0.3484],[0.0922, 0.0779, 0.2446],[0.2967, 0.9481, 0.1311]])

構造一個填滿0且數據類型為long的矩陣:

x = torch.zeros(5, 3, dtype=torch.long) print(x)

輸出：

tensor([[0, 0, 0],[0, 0, 0],[0, 0, 0],[0, 0, 0],[0, 0, 0]])

直接從數據構造張量：

x = torch.tensor([5.5, 3]) print(x)

輸出：

tensor([5.5000, 3.0000])

或者根據已有的tensor建立新的tensor。除非用戶提供新的值，否則這些方法將重用輸入張量的屬性，例如dtype等：

x = x.new_ones(5, 3, dtype=torch.double) # new_* methods take in sizes print(x)x = torch.randn_like(x, dtype=torch.float) # 重載 dtype! print(x) # 結果size一致

輸出：

tensor([[1., 1., 1.],[1., 1., 1.],[1., 1., 1.],[1., 1., 1.],[1., 1., 1.]], dtype=torch.float64) tensor([[ 1.6040, -0.6769, 0.0555],[ 0.6273, 0.7683, -0.2838],[-0.7159, -0.5566, -0.2020],[ 0.6266, 0.3566, 1.4497],[-0.8092, -0.6741, 0.0406]])

獲取張量的形狀：

print(x.size())

輸出：

torch.Size([5, 3])

注意：

torch.Size本質上還是tuple，所以支持tuple的一切操作。

運算

一種運算有多種語法。在下面的示例中，我們將研究加法運算。

加法：形式一

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

輸出：

tensor([[ 2.5541, 0.0943, 0.9835],[ 1.4911, 1.3117, 0.5220],[-0.0078, -0.1161, 0.6687],[ 0.8176, 1.1179, 1.9194],[-0.3251, -0.2236, 0.7653]])

加法：形式二

print(torch.add(x, y))

輸出：

tensor([[ 2.5541, 0.0943, 0.9835],[ 1.4911, 1.3117, 0.5220],[-0.0078, -0.1161, 0.6687],[ 0.8176, 1.1179, 1.9194],[-0.3251, -0.2236, 0.7653]])

加法：給定一個輸出張量作為參數

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

輸出：

tensor([[ 2.5541, 0.0943, 0.9835],[ 1.4911, 1.3117, 0.5220],[-0.0078, -0.1161, 0.6687],[ 0.8176, 1.1179, 1.9194],[-0.3251, -0.2236, 0.7653]])

加法：原位/原地操作（in-place）

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

輸出：

tensor([[ 2.5541, 0.0943, 0.9835],[ 1.4911, 1.3117, 0.5220],[-0.0078, -0.1161, 0.6687],[ 0.8176, 1.1179, 1.9194],[-0.3251, -0.2236, 0.7653]])

注意：

任何一個in-place改變張量的操作后面都固定一個_。例如x.copy_(y)、x.t_()將更改x

也可以使用像標準的NumPy一樣的各種索引操作：

print(x[:, 1])

輸出：

tensor([-0.6769, 0.7683, -0.5566, 0.3566, -0.6741])

改變形狀：如果想改變形狀，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())

輸出：

torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

如果是僅包含一個元素的tensor，可以使用.item()來得到對應的python數值

x = torch.randn(1) print(x) print(x.item())

輸出：

tensor([0.0445]) 0.0445479191839695

后續閱讀：

超過100種tensor的運算操作，包括轉置，索引，切片，數學運算，
線性代數，隨機數等，具體訪問這里

橋接 NumPy

將一個Torch張量轉換為一個NumPy數組是輕而易舉的事情，反之亦然。

Torch張量和NumPy數組將共享它們的底層內存位置，因此當一個改變時,另外也會改變。

將torch的Tensor轉化為NumPy數組

輸入：

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

輸出：

tensor([1., 1., 1., 1., 1.])

輸入：

b = a.numpy() print(b)

輸出：

[1. 1. 1. 1. 1.]

看NumPy數組是如何改變里面的值的：

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

輸出：

tensor([2., 2., 2., 2., 2.]) [2. 2. 2. 2. 2.]

將NumPy數組轉化為Torch張量

看改變NumPy數組是如何自動改變Torch張量的：

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

輸出：

[2. 2. 2. 2. 2.] tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

CPU上的所有張量(CharTensor除外)都支持與Numpy的相互轉換。

CUDA上的張量

張量可以使用.to方法移動到任何設備（device）上：

# 當GPU可用時,我們可以運行以下代碼 # 我們將使用`torch.device`來將tensor移入和移出GPU if torch.cuda.is_available():device = torch.device("cuda") # a CUDA device objecty = torch.ones_like(x, device=device) # 直接在GPU上創建tensorx = x.to(device) # 或者使用`.to("cuda")`方法z = x + yprint(z)print(z.to("cpu", torch.double)) # `.to`也能在移動時改變dtype

輸出：

tensor([1.0445], device='cuda:0') tensor([1.0445], dtype=torch.float64)

總結

以上是生活随笔為你收集整理的什么是PyTorch？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。