PyThorch是深度学习的框架，主要有2个核心功能：

1. 高效率的张量计算, 同时支持强大的 GPU 加速计算功能。

2. 搭建深度神经网络, 构建在自动求导系统之上的网络结构。

主要模块

数据类型

常用方法

import torch as t
import warnings

warnings.filterwarnings("ignore")

#设定数据类型
t.set_default_tensor_type("torch.DoubleTensor")
t.Tensor().dtype

#还原类型
t.set_default_tensor_type("torch.FloatTensor")
t.Tensor().dtype

#创建数据
t.Tensor([1, 2, 3])
#通过numpy创建
import numpy as np
t.Tensor(np.random.randn(3))

查看数据形状
t.Tensor([[1, 2], [3, 4], [5, 6]]).shape

#查看数据大小
torch.Size([3,2])

其它创建方法

 

 

数学运算

a = t.Tensor([[1, 2], [3, 4]])
b = t.Tensor([[5, 6], [7, 8]])

print(a + b)
print(a - b)

# 对 a 求列平均
a.mean(dim=0)
# a 中的每个元素求平方
a.pow(2)
# a 中的每个元素传入 sigmoid 函数
a.sigmoid()

 

注意，很多时候我们都需要通过 dim= 参数去指定操作的维度，正如 NumPy 中的 axis= 参数。

 线性代数

索引，切片，变换

c = t.rand(5, 4)

# 取第 1 行
c[0]

# 取第 2, 3 行与 3, 4 列
c[1:3, 2:4]

c.reshape(4, 5)
c.view(4, 5)

张量内部结构

Tensor 的 size 属性改变，但是 Storge 则不会改变。

自动微分 Autograd