PyTorch基础操作指南-优快云博客

本文链接：https://blog.youkuaiyun.com/smiling614/article/details/89320070

本文详细介绍PyTorch中Tensor的创建、初始化、数学运算、选取操作及转换方法，涵盖加法实现、尺寸查看、选取特定列、常见操作与numpy的互操作性，以及GPU加速运算技巧。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

from __future__ import print_function
import torch as t
x=t.Tensor(5,3)#构建5*3矩阵，只是分配了空间，并未初始化
print(x)

from __future__ import print_function
import torch as t
x=t.randn(5,3)#使用[0,1]均匀分布随机初始化二维数组
print(x)
print(x.size())#查看x的形状
x.size()[1]
x.size()(1)#查看列的个数，两种写法等价

3. 3种加法实现

x + y#加法

t.add(x,y)#加法

result=t.Tensor(5,3)#预先分配空间
t.add(x,y,out=result)#输出到result

4.add用法

y.add(x)#普通加法，不改变y的值

y.add_(x)#inplace加法，y改变

note：函数名后面带下画线_的函数会修改Tensor本身。

5.Tensor的选取操作与numpy类似

x[:,0]
print(x[:,0])#x的第1列

x[:,1]
print(x[:,1])#x的第2列

6.Tensor支持很多操作，包括数学运算、线性代数、选择、切片等，其接口设计与numpy极为相似。Tensor和numpy的数组间的互操作非常容易。Tensor不支持的操作，可以先转为numpy数组处理，之后再转为Tensor。

6.1
a=t.ones(5)#新建一个全是1的Tensor
print(a)

out: tensor([ 1.,  1.,  1.,  1.,  1.])

6.2
a=t.ones(5)#新建一个全是1的Tensor
b=a.numpy()#Tensor转换成Numpy
print(b)

out: [1. 1. 1. 1. 1.]

6.3
import numpy as np
a=np.ones(5)#新建一个全是1的Tensor
b=t.from_numpy(a)#Numpy转换成Tensor
print(a)
print(b)

out: 
[1. 1. 1. 1. 1.]
tensor([ 1.,  1.,  1.,  1.,  1.], dtype=torch.float64)

7.Tensor和Numpy对象共享内存，所以它们之间的转换很快，几乎不消耗资源。即：一个变，另外一个也跟着变。

import numpy as np
a=np.ones(5)#新建一个全是1的Tensor
b=t.from_numpy(a)#Numpy转换成Tensor
b.add_(1)
print(a)
print(b)

out:
[2. 2. 2. 2. 2.]
tensor([ 2.,  2.,  2.,  2.,  2.], dtype=torch.float64)

8.Tensor可通过.cuda方法转为GPU的Tensor,这样可以体验到GPU的加速运算效果。

8.1 计算不加速运算时间
import time
import torch as t
x=t.ones(5,3)#构建5*3矩阵，只是分配了空间，并未初始化
y=t.ones(5,3)
time_start = time.time ()  # time.time()为1970.1.1到当前时间的毫秒数
z=x+y
time_end = time.time ()
print(time_end - time_start)
print(z)

out:
0.011574983596801758
tensor([[ 2.,  2.,  2.],
        [ 2.,  2.,  2.],
        [ 2.,  2.,  2.],
        [ 2.,  2.,  2.],
        [ 2.,  2.,  2.]])


8.2 计算cuda加速运算时间

import time
import torch as t
x=t.ones(5,3)#构建5*3矩阵，只是分配了空间，并未初始化
y=t.ones(5,3)
if t.cuda.is_available():
    x=x.cuda()
    y=y.cuda()
    time_start = time.time ()  # time.time()为1970.1.1到当前时间的毫秒数
    z=x+y
    time_end = time.time ()
    print(time_end - time_start)
    print(z)

out:
0.00023865699768066406
tensor([[ 2.,  2.,  2.],
        [ 2.,  2.,  2.],
        [ 2.,  2.,  2.],
        [ 2.,  2.,  2.],
        [ 2.,  2.,  2.]], device='cuda:0')

1.1 tensor