一、Tensor的创建和使用
1.概念和TensorFlow的是基本一致的，只是代码编写格式的不同。我们声明一个Tensor，并打印它，例如：
import torch #定义一个Tensor矩阵
a = torch.Tensor([1, 2], [3, 4],[5, 6], [7, 8]) print(a) print('{}'.format(a))
然后会发现报以下错误：
new() received an invalid combination of arguments - got (list, list, list, list), but expected one of: * (torch.device device) * (torch.Storage storage) * (Tensor other) * (tuple of ints size, torch.device device) * (object data, torch.device device)
意思是接收到无效的参数组合。其实是少写了一对中括号，这是初学者的常用错误。
2.改成如下形式：
import torch #定义一个Tensor矩阵
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print(a) print('{}'.format(a))
结果为：
3.如果想查看的它的大小可以加一句话：
import torch #定义一个Tensor矩阵
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print('{}'.format(a.size()))
结果为：
即4行2列的矩阵
4.如果想生成一个全为0的矩阵，可以输入如下代码：
import torch #定义一个Tensor矩阵
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print('{}'.format(a.size())) b = torch.zeros((4, 2)) print(b)
结果为：
即4行2列数组元素全为0的矩阵
5.如果想生成不同类型的数据，可以改变torch.后面函数名称，例如下面这样：
import torch #定义一个Tensor矩阵
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print('{}'.format(a)) b = torch.zeros((4, 2)) print(b) c = torch.IntTensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print(c) d = torch.LongTensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print(d) e = torch.DoubleTensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print(e)
结果为：
6.如果想访问Tensor里的一个元素或者改变它，可以输入如下代码：
print(e[1, 1]) #改变元素值
e[1, 1] = 3
print(e[1, 1])
代码变为：
import torch #定义一个Tensor矩阵
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print('{}'.format(a)) b = torch.zeros((4, 2)) print(b) c = torch.IntTensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print(c) d = torch.LongTensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print(d) e = torch.DoubleTensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print(e) print(e[1, 1]) #改变元素值
e[1, 1] = 3
print(e[1, 1])
结果为：
说明原来4的位置数值变为了3
7.最重要的是Tensor和Numpy之间的转换，例如我们把e变为numpy类型，添加以下代码：
f = e.numpy() print(f)
变为：
import torch #定义一个Tensor矩阵
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print('{}'.format(a)) b = torch.zeros((4, 2)) print(b) c = torch.IntTensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print(c) d = torch.LongTensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print(d) e = torch.DoubleTensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print(e) print(e[1, 1]) #改变元素值
e[1, 1] = 3
print(e[1, 1]) #转换为Numpy
f = e.numpy() print(f)
结果为：
可以看到没有tensor()了~
我们再把f变为tensor类型，输入以下代码：
g = torch.from_numpy(f) print(g)
变为：
import torch #定义一个Tensor矩阵
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print('{}'.format(a)) b = torch.zeros((4, 2)) print(b) c = torch.IntTensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print(c) d = torch.LongTensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print(d) e = torch.DoubleTensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print(e) print(e[1, 1]) #改变元素值
e[1, 1] = 3
print(e[1, 1]) #转换为Numpy
f = e.numpy() print(f) #转换为Tensor
g = torch.from_numpy(f) print(g)
结果为：
可以看到又变成了Tensor类型
二、Tensor放到GPU上执行
1.通过如下代码判断是否支持GPU：
if torch.cuda.is_available(): h = g.cuda() print(h)
变为
import torch #定义一个Tensor矩阵
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print('{}'.format(a)) b = torch.zeros((4, 2)) print(b) c = torch.IntTensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print(c) d = torch.LongTensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print(d) e = torch.DoubleTensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print(e) print(e[1, 1]) #改变元素值
e[1, 1] = 3
print(e[1, 1]) #转换为Numpy
f = e.numpy() print(f) #转换为Tensor
g = torch.from_numpy(f) print(g) #将Tensor放在GPU上
if torch.cuda.is_available(): h = g.cuda() print(h)
2.生成结果会慢一下，然后可以看到多了一个device=‘cuda:0’：
三、Tensor总结
1.Tensor和Numpy都是矩阵，区别是前者可以在GPU上运行，后者只能在CPU上
2.Tensor和Numpy互相转化很方便，类型也比较兼容
3.Tensor可以直接通过print显示数据类型，而Numpy不可以，例如：dtype = torch.float64