Pytorch入门——Tensor的基本操作

*前序知识：Python的基本语法、操作和控制结构；库函数的基本使用方法。
*本文将在给出中文名称的同时，附上英文词汇。
*所有英文缩写将在第一次出现时注明。
*Package version：Python==3.8.20；pyorch==2.4.1；numpy==1.24.4。

Pytorch是深度学习中常用的库之一。从本文开始，博主计划用一个专栏来更新有关Pytorch的基本操作。作为自己的笔记以便查阅的同时，也希望给初入人工智能领域的萌新们一些帮助~

注：当开始使用深度学习的框架时，建议使用anaconda新建虚拟环境，以免出现不同库之间的、相同库不同版本间的兼容问题。anaconda安装环境的教程优快云上比较多，这里就不作赘述了。

Tensor 简介

 在PyTorch中，张量（Tensor）是一个基本的数据结构。

1. N维数组：Tensor是一个多维数组（类似于 NumPy 数组）。一个 Tensor可以是向量（1D）、矩阵（2D）、高维数组（3D 等）。
2. 支持自动求导：Tensor是PyTorch中构建神经网络的基本元素，具有自动求导的能力，可以帮助计算梯度。
3. GPU 加速：Tensor支持在 GPU 上进行计算（CUDA）。

 接下来，我们将基于具体的代码，分别讨论Pytorch中Tensor的主要操作。

示例（Coding）

导入Pytorch和Numpy库

  同时导入numpy，并不是因为二者存在直接依赖，而是因为torch中的tensor数据结构与numpy可以互相转换。

import torch
import numpy as np

Tensor数据结构的创建

列表（List）转换为Tensor

# 创建一个列表 (list)
data_01 = [[1,2],[3,4]]

# 将列表转换为张量 (tensor)
x_tensor_01 = torch.tensor(data_01)

print(x_tensor_01)

程序输出：

numpy数组转换为Tensor

data_02 = [[5,6],[7,8]]

# 将列表转换为numpy数组 (numpy array)
x_numpy = np.array(data_02)

# 将numpy数组转换为张量 (tensor)
x_tensor_02 = torch.from_numpy(x_numpy)

print(f"n: {
     x_numpy}")
print(f"t: {
     x_tensor_02}")

程序输出：

numpy数组与Tensor的同时改变

data_02 = [[5,6],[7,8]]

# 将列表转换为numpy数组 (numpy array)
x_numpy = np.array(data_02)

# 将numpy数组转换为张量 (tensor)
x_tensor_02 = torch.from_numpy(x_numpy)

# 改变numpy数组的内容
np.add(x_numpy, 1, out=x_numpy)

# 因为x_tensor_02使用torch.from_numpy()，因此numpy的改变也会映射到张量上
print(f"n: {
     x_numpy}")
print(f"t: {
     x_tensor_02}"