pytorch基本语法

pytorch类似于numpy的使用，同时可以使用GPU提升计算速度，还可以搭建深度学习模型，方便实用，简单易学，下面介绍一下pytorch的基本语法：

1.创建矩阵的方法

（1）构建未初始化的矩阵

import torch

x = torch.empty(5,3)

（2）构建随机初始化矩阵

x = torch.rand(5,3)

（3）构建全部为0，类型为long的矩阵

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

或者

x= torch.zeros(5,3).long()

（4）从数据直接直接构建tensor

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

（5）从一个已有的tensor构建一个tensor，new_ones重用以前的信息，例如数据类型；randn_like产生一个形状一样的矩阵。

x = x.new_ones(5,3, dtype=torch.double)

y = torch.randn_like(x, dtype=torch.float)

2.显示数据类型，得到tensor的形状和改变形状

（1）显示数据类型

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

x.dtype

（2）得到tensor的形状

x.shape

或者

x.size()

（3）改变tensor形状

x = torch.randn(4,4)

y = x.view(16)

z = x.view(-1,8)

3.tensor运算

（1）加法

x = torch.rand(5,3)

y = torch.rand(5,3)

x + y

torch.add(x, y)

result = torch.empty(5,3)

torch.add(x, y, out=result)

# result = x + y

y.add_(x)

4.得到Python数值

x = torch.randn(1)

x.item()

5.Numpy，Tensor的CPU和GPU之间的转化

（1）把Torch Tensor转变成NumPy Array

a = torch.ones(5)

b = a.numpy()

（2）把NumPy ndarray转成Torch Tensor

a = np.ones(5)

b = torch.from_numpy(a)

np.add(a, 1, out=a)

（3）CPU转成GPU

if torch.cuda.is_available():

    device = torch.device("cuda")

    y = torch.ones_like(x, device=device)

    x = x.to(device)

    z = x + y

    print(z)

    print(z.to("cpu", torch.double))

model = model.cuda()

（4）GPU不能直接转化成numpy，必须先转化为CPU,再转化为numpy

y.to("cpu").data.numpy()

y.cpu().data.numpy()