pytorch與tensorflow是兩個近些年來使用最為廣泛的機器學習模塊。開個新坑記錄博主學習pytorch模塊的過程，不定期更新學習進程。 文章較為適合初學者，歡迎對代碼和理解指點討論，下面進入正題。

import torch import numpy as npt1 = torch.tensor([1,2,3,4],dtype=torch.float64) print(t1) print(type(t1)) print(t1.size())

與numpy基本一致，tensor可以用于創建多維的array(張量)。

c = t1[0] + t1[1] print(c)

對單元素進行加減乘除運算，得到的結果仍然是一個tensor。

x = torch.tensor(3.) w = torch.tensor(4.,requires_grad=True) # only calculate the deriative when necessary b = torch.tensor(5., requires_grad=True)y = w * x + b # 正向傳播過程y.backward() # 反向傳播，計算梯度的過程 print("dy/dx : "x.grad) print("dy/dw : ",w.grad) print("dy/db :"b.grad)

只有requires_grad屬性為真的張量，在反向傳播的過程中會計算梯度。

與numpy數組之間的轉換

因為很多通常使用的數據，使用的是numpy矩陣的形式，pytorch也提供了一些函數用于將numpy數組轉換為張量。
一般而言，將numpy ndarray轉換為tensor的方法有以下三種 ：

np_matrix = np.array([1,3,5,7,9]) test1 = torch.tensor(np_matrix) test2 = torch.from_numpy(np_matrix) test3 = torch.as_tensor(np_matrix)

實際測試中會發現，直接使用tensor構建的實例會新分配一個內存，而使用from_numpy與as_tensor兩個方法與之前的矩陣是統一個內存，不會重新分配內存。因此在優化內存方面可以優先使用后兩個函數。（tips ： 在將numpy數組轉換為tensor時需要注意精度問題，pytorch一般使用float32）

tensor的數據類型轉換

使用 long float short int 等等方法，可以改變張量的數據類型，numpy方法可以將tensor轉回numpy矩陣。

總結

以上是生活随笔為你收集整理的pytorch学习笔记 1. pytorch基础 tensor运算的全部內容，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。