一、Tensor的創建和使用
1.概念和TensorFlow的是基本一致的，只是代碼編寫格式的不同。我們聲明一個Tensor，並打印它，例如：
import torch #定義一個Tensor矩陣
a = torch.Tensor([1, 2], [3, 4],[5, 6], [7, 8]) print(a) print('{}'.format(a))
然后會發現報以下錯誤：
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)
意思是接收到無效的參數組合。其實是少寫了一對中括號，這是初學者的常用錯誤。
2.改成如下形式：
import torch #定義一個Tensor矩陣
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print(a) print('{}'.format(a))
結果為：
3.如果想查看的它的大小可以加一句話：
import torch #定義一個Tensor矩陣
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print('{}'.format(a.size()))
結果為：
即4行2列的矩陣
4.如果想生成一個全為0的矩陣，可以輸入如下代碼：
import torch #定義一個Tensor矩陣
a = torch.Tensor([[1, 2], [3, 4],[5, 6], [7, 8]]) print('{}'.format(a.size())) b = torch.zeros((4, 2)) print(b)
結果為：
即4行2列數組元素全為0的矩陣
5.如果想生成不同類型的數據，可以改變torch.后面函數名稱，例如下面這樣：
import torch #定義一個Tensor矩陣
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)
結果為：
6.如果想訪問Tensor里的一個元素或者改變它，可以輸入如下代碼：
print(e[1, 1]) #改變元素值
e[1, 1] = 3
print(e[1, 1])
代碼變為：
import torch #定義一個Tensor矩陣
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]) #改變元素值
e[1, 1] = 3
print(e[1, 1])
結果為：
說明原來4的位置數值變為了3
7.最重要的是Tensor和Numpy之間的轉換，例如我們把e變為numpy類型，添加以下代碼：
f = e.numpy() print(f)
變為：
import torch #定義一個Tensor矩陣
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]) #改變元素值
e[1, 1] = 3
print(e[1, 1]) #轉換為Numpy
f = e.numpy() print(f)
結果為：
可以看到沒有tensor()了~
我們再把f變為tensor類型，輸入以下代碼：
g = torch.from_numpy(f) print(g)
變為：
import torch #定義一個Tensor矩陣
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]) #改變元素值
e[1, 1] = 3
print(e[1, 1]) #轉換為Numpy
f = e.numpy() print(f) #轉換為Tensor
g = torch.from_numpy(f) print(g)
結果為：
可以看到又變成了Tensor類型
二、Tensor放到GPU上執行
1.通過如下代碼判斷是否支持GPU：
if torch.cuda.is_available(): h = g.cuda() print(h)
變為
import torch #定義一個Tensor矩陣
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]) #改變元素值
e[1, 1] = 3
print(e[1, 1]) #轉換為Numpy
f = e.numpy() print(f) #轉換為Tensor
g = torch.from_numpy(f) print(g) #將Tensor放在GPU上
if torch.cuda.is_available(): h = g.cuda() print(h)
2.生成結果會慢一下，然后可以看到多了一個device=‘cuda:0’：
三、Tensor總結
1.Tensor和Numpy都是矩陣，區別是前者可以在GPU上運行，后者只能在CPU上
2.Tensor和Numpy互相轉化很方便，類型也比較兼容
3.Tensor可以直接通過print顯示數據類型，而Numpy不可以，例如：dtype = torch.float64