深度学习之PyTorch基本使用（一）

一、PyTorch简介与安装

1.核心概念

        PyTorch 是一款 Python 深度学习框架，其核心是张量（Tensor） —— 元素为同一种数据类型的多维矩阵，以 “类” 的形式封装，内置了张量运算、处理等方法，是深度学习中数据存储和计算的基础单元。

2.安装命令

        pip install torch===1.10.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

二、张量的创建与类型转换

1.基本创建方式

创建函数	功能描述	示例代码	输出结果
torch.tensor()	根据指定数据（标量、列表、NumPy 数组等）创建张量，自动匹配数据类型	torch.tensor(10) torch.tensor([[10.,20.,30.],[40.,50.,60.]])	tensor(10) tensor([[10.,20.,30.],[40.,50.,60.]])
torch.Tensor()	1. 传入形状参数时，创建指定形状的未初始化张量（默认float32） 2. 传入列表时，创建包含指定元素的张量	torch.Tensor(2,3) torch.Tensor([10,20])	tensor([[0.0000e+00, 3.6893e+19, 2.2018e+05],[4.6577e-10, 2.4158e-12, 1.1625e+33]]) tensor([10.,20.])
torch.IntTensor()/FloatTensor()/DoubleTensor()	创建指定数据类型的张量，支持形状参数或元素列表（元素会自动类型转换）	torch.IntTensor(2,3) torch.IntTensor([2.5,3.3])	tensor([[0, 1610612736, 1213662609],[805308409, 156041223, 1]], dtype=torch.int32) tensor([2,3], dtype=torch.int32)

2.线性与随机张量创建

        线性张量

                torch.arange（start，end，step）：在（start，end）区间内按步长step生成 1 维张量，元素类型为int64。示例：torch.arange(0,10,2) → tensor([0,2,4,6,8])。

                torch.linspace（start，end，step）：在[start, end]区间内生成steps个等间隔元素的 1 维张量，默认float32。示例：troch.linspace(0,11,10)-->tensor([0.00,1.22,...,11.00])。

        随机张量与种子设置

        torch.randn（shape）：生成符合标准正态分布（均值 0、方差 1）的指定形状张量，默认float32。示例：torch.randn(2,3) → 2 行 3 列的随机张量。

        随机种子：torch.random.manual_seed(seed)固定随机种子，确保每次运行生成相同的随机张量；torch.random.initial_seed()查看当前随机种子。示例：

torch.random.manual_seed(100)
print(torch.randn(2,3))  # 每次运行结果一致
print(torch.random.initial_seed())  # 输出100

3.0-1及指定值张量创建

        全1张量：torch.ones(shape)创建指定形状全 1 张量；torch.ones_like(tensor)根据已有张量形状创建全 1 张量，示例：

data = torch.ones(2,3)  # tensor([[1.,1.,1.],[1.,1.,1.]])
data_like = torch.ones_like(data)  # 与data形状相同的全1张量

        全0张量：torch.zeros(shape)创建指定形状全 0 张量；torch.zeros_like(tensor)根据已有张量形状创建全 0 张量，用法与全 1 张量一致。

        指定量张量：torch.full(shape, value)创建指定形状、元素均为value的张量；torch.full_like(tensor, value)根据已有张量形状创建指定值张量，示例：

data = torch.full([2,3],10)  # tensor([[10,10,10],[10,10,10]])
data_like = torch.full_like(data,20)  # 元素均为20的张量

4.张量类型转换

        data.type（torch.目标类型）显式指定目标类型，支持torch.ShortTensor（int16）、torch.IntTensor（int32）、torch.LongTensor（int64）、torch.FloatTensor（float32）、torch.DoubleTensor（float64）。

data = torch.full([2,3],10)  # dtype=torch.int64
data = data.type(torch.DoubleTensor)  # dtype=torch.float64

        data.目标类型缩写（）：快捷转换方法，如data.short()（转 int16）、data.int()（转 int32）、data.long()（转 int64）、data.float()（转 float32）、data.double()（转 float64）。

data = torch.full([2,3],10)  # dtype=torch.int64
data = data.double()  # dtype=torch.float64

三、张量与其他数据类型的转换

1.张量转numpy数组

        方法：data_tensor.numpy(),默认共享内存（修改一个，另一个同步变化）；若需避免共享，使用data_tensor.numpy().copy（）。

# 共享内存
data_tensor = torch.tensor([2,3,4])
data_numpy = data_tensor.numpy()
data_numpy[0] = 100  # data_tensor也变为tensor([100,3,4])# 不共享内存
data_numpy = data_tensor.numpy().copy()
data_numpy[0] = 200  # data_tensor仍为tensor([100,3,4])

2.numpy数组转张量

转换方法	内存共享情况	示例代码	输出结果
torch.from_numpy(data_numpy)	默认共享内存	data_numpy = np.array([2,3,4]) data_tensor = torch.from_numpy(data_numpy)	tensor([2,3,4], dtype=torch.int32)（与 NumPy 数组类型匹配）
torch.tensor(data_numpy)	默认不共享内存	data_tensor = torch.tensor(data_numpy)	tensor([2,3,4], dtype=torch.int32)（修改张量不影响原数组）

3.标量张量与数字转换

        对于仅含一个元素的张量（标量张量），使用data.item()提取 Python 原生数字类型（如int、float）。示例：

data1 = torch.tensor([30,])  # 标量张量
data2 = torch.tensor(30)     # 标量张量
print(data1.item())  # 30（int类型）
print(data2.item())  # 30（int类型）

四、张量数值计算与运算函数

1.基本运算

支持加减乘除、取负等操作，分为不修改原张量和修改原张量（函数名带下划线）两类，示例：

data = torch.randint(0,10,[2,3])  # 示例：tensor([[3,7,4],[0,0,6]])# 不修改原张量
new_data = data.add(10)  # 等价于data + 10 → tensor([[13,17,14],[10,10,16]])
new_data = data.sub(5)   # 等价于data - 5
new_data = data.mul(2)   # 等价于data * 2
new_data = data.div(2)   # 等价于data / 2
new_data = data.neg()    # 等价于-data# 修改原张量
data.add_(10)  # data变为tensor([[13,17,14],[10,10,16]])
data.sub_(5)   # data进一步修改

2.点乘与矩阵乘法

        点乘（Hadamard积）：两个同形状张量对应元素相乘，使用torch.mul(data1, data2)或data1 * data2。示例：

data1 = torch.tensor([[1,2],[3,4]])
data2 = torch.tensor([[5,6],[7,8]])
print(torch.mul(data1, data2))  # tensor([[5,12],[21,32]])
print(data1 * data2)            # 同上

        矩阵乘法：要求第一个张量的列数等于第二个张量的行数（形状为(n,m)和(m,p)，结果为(n,p)），使用data1 @ data2或torch.matmul(data1, data2)。示例：

data1 = torch.tensor([[1,2],[3,4],[5,6]])  # (3,2)
data2 = torch.tensor([[5,6],[7,8]])        # (2,2)
print(data1 @ data2)  # tensor([[19,22],[43,50],[67,78]])（3,2）
print(torch.matmul(data1, data2))  # 同上

3.常见运算函数

函数	功能描述	示例代码	输出结果（基于data = torch.tensor([[4.,0.,7.],[6.,3.,5.]], dtype=torch.float64)）
data.mean(dim=None)	计算均值，dim=0按列算，dim=1按行算	data.mean() data.mean(dim=0)	tensor(4.1667, dtype=torch.float64) tensor([5.0000,1.5000,6.0000], dtype=torch.float64)
data.sum(dim=None)	计算总和，dim参数用法同mean	data.sum() data.sum(dim=1)	tensor(25., dtype=torch.float64) tensor([11.,14.], dtype=torch.float64)
torch.pow(data, n)	计算元素的 n 次幂	torch.pow(data,2)	tensor([[16.,0.,49.],[36.,9.,25.]], dtype=torch.float64)
data.sqrt()	计算元素的平方根	data.sqrt()	tensor([[2.0000,0.0000,2.6458],[2.4495,1.7321,2.2361]], dtype=torch.float64)
data.exp()	计算元素的自然指数（e^x）	data.exp()	tensor([[5.4598e+01,1.0000e+00,1.0966e+03],[4.0343e+02,2.0086e+01,1.4841e+02]], dtype=torch.float64)
data.log()/log2()/log10()	分别计算自然对数、2 为底对数、10 为底对数	data.log() data.log10()	tensor([[1.3863, -inf,1.9459],[1.7918,1.0986,1.6094]], dtype=torch.float64) tensor([[0.6021, -inf,0.8451],[0.7782,0.4771,0.6990]], dtype=torch.float64)