做网站的视频教学搜狗站长平台

面试的时候，PhD看我简历上面写了”熟悉pytorch框架“，然后就猛猛提问了有关于tensor切片的问题…当然是没答上来，因此在这里整理一下pytorch的一些基础编程语法，常看常新

---

PyTorch基础操作全解

一、张量初始化

PyTorch的核心数据结构是torch.Tensor，初始化方法灵活多样：

1. 基础初始化

import torch# 未初始化张量（内存中可能存在随机值）a = torch.empty(3, 2)  # 3x2的未初始化矩阵# 均匀分布随机数 [0,1)b = torch.rand(2, 3)   # 2x3随机矩阵# 全零矩阵（显式指定类型）c = torch.zeros(4, 3, dtype=torch.long)  # 4x3的长整型零矩阵# 从列表创建d = torch.tensor([5.5, 3])  # 直接数值初始化

2. 基于已有张量的初始化

x = torch.rand(2, 2)# 继承原有张量属性（形状/设备）new_tensor = x.new_ones(3, 3, dtype=torch.double)  # 3x3全1矩阵，继承x的设备# 正态分布（继承形状）like_tensor = torch.randn_like(x, dtype=torch.float)  # 与x同形的正态分布

---

二、张量属性与运算

1. 关键属性

print(x.dtype)   # 数据类型 torch.float32print(x.device)  # 存储设备 cpu/cuda:0print(x.shape)   # 等价于x.size()

2. 基本运算（加法/矩阵乘法/张量形状操作）

# 加法（三种等价方式）result1 = a + bresult2 = torch.add(a, b)a.add_(b)  # in-place操作（会修改a）# 矩阵乘法mat1 = torch.randn(2, 3)mat2 = torch.randn(3, 2)product = torch.mm(mat1, mat2)  # 2x2结果矩阵# 形状操作reshaped = x.view(4)    # 展平为1D（必须连续内存）resized = x.reshape(-1) # 自动推断维度（处理非连续内存）

view(-1)自动推断维度

# 输入序列 (batch=2, seq_len=5, features=10)seq_data = torch.randn(2, 5, 10)# 转换为(batch*seq_len, features)reshaped = seq_data.view(-1, 10)  # 形状[10, 10]print(reshaped.shape)            # torch.Size([10, 10])

3. 类型转换

float_tensor = x.to(torch.float64)  # 显式转换类型gpu_tensor = x.cuda()               # 转移至GPU

---

三、高级切片与索引

1. 三维张量切片（面试题解析）

假设有张量 tensor = torch.randn(5, 4, 6)：

• 第一个维度取第一个元素：tensor[0]（等价于tensor[0, :, :]）

• 第二个维度取全部元素：: 或 ...

• 第三个维度取奇数索引元素：1::2（从索引1开始，步长2）

完整解：

result = tensor[0, :, 1::2]  # shape变为 (4, 3)

2. 高级索引技巧

# 布尔掩码mask = tensor > 0.5selected = tensor[mask]# 组合索引indices = torch.tensor([0, 2])partial = tensor[:, indices, :]

---

四、与NumPy的互操作

1. 转换机制

# Tensor -> ndarraynumpy_array = tensor.numpy()  # CPU张量直接转换# ndarray -> Tensortorch_tensor = torch.from_numpy(numpy_array)# GPU张量转换cpu_tensor = gpu_tensor.cpu()numpy_from_gpu = cpu_tensor.numpy()

2. 内存共享特性：底层其实共享一套内存

a = torch.ones(3)b = a.numpy()a.add_(1)        # 修改张量print(b)         # [2., 2., 2.] 同步变化

---

五、扩展知识

一、自动求导机制

1. 核心概念

PyTorch使用动态计算图实现自动微分：

• requires_grad：标记需要跟踪梯度的张量

• 计算图：记录张量间的运算关系（正向传播）

• backward()：反向传播计算梯度

• grad属性：存储梯度值（默认会累积）

2. 基础示例

x = torch.tensor(2., requires_grad=True)y = x**2 + 3*x  # 计算图建立y.backward()     # 反向传播print(x.grad)    # 输出：tensor(7.) # 导数计算：dy/dx = 2x + 3 → 2*2 + 3 = 7

3. 梯度累积特性
   第二次反向传播前必须清除梯度

# 第二次反向传播前必须清除梯度x.grad.zero_()    # 梯度清零y = x**3y.backward()print(x.grad)     # 3x² → 3*(2)^2 = 12

4. 非标量梯度处理

# 多输出系统需要指定gradient参数x = torch.randn(3, requires_grad=True)y = x * 2v = torch.tensor([0.1, 1.0, 0.001], dtype=torch.float)y.backward(v)     # 加权反向传播print(x.grad)     # 输出：tensor([0.2000, 2.0000, 0.0020])

5. 梯度控制上下文

# 禁用梯度计算（节约内存）with torch.no_grad():inference = x * 2  # 不会记录计算图print(inference.requires_grad)  # False# 临时分离张量detached_x = x.detach()  # 创建无需梯度的副本

---

二、张量拼接操作

1. 维度拼接 (torch.cat)
   必须保证维度匹配，dim=0（第一个维度拼接）,dim=1（第二个维度拼接）

# 在现有维度上拼接a = torch.randn(2, 3)b = torch.randn(4, 3)concat_0 = torch.cat([a, b], dim=0)  # 形状(6,3)concat_1 = torch.cat([a, a], dim=1)   # 形状(2,6)

2. 新增维度拼接 (torch.stack)
   新增维度拼接使用torch.stack，新增第零个维度维度拼接torch.stack([c, d], dim=0)，新增最后一个维度torch.stack([c.T, d.T], dim=2)

# 创建新维度c = torch.randn(3, 4)d = torch.randn(3, 4)stack_0 = torch.stack([c, d], dim=0)  # 形状(2,3,4)stack_2 = torch.stack([c.T, d.T], dim=2)  # 形状(3,4,2)

3. 拼接规则验证

try:# 维度不匹配报错invalid = torch.cat([a, b], dim=1) except RuntimeError as e:print(f"Error: {e}")  # 非拼接维度尺寸不一致

---

三、广播机制详解——两个张量维度不同时，自动对齐维度（复制出来直接补充）

1. 广播规则

当两个张量维度不同时：

1. 从右向左对齐维度

2. 维度相容条件：

   • 维度大小相等

   • 其中一个维度为1

3. 自动扩展：将尺寸为1的维度复制到匹配对方

4. 典型示例

# 案例1：向量+标量a = torch.tensor([1, 2, 3])b = torch.tensor(5)print(a + b)  # [6,7,8]# 案例2：矩阵+向量matrix = torch.ones(2, 3)    # (2,3)vector = torch.arange(3)     # (3,) → (1,3) → (2,3)print(matrix + vector)# [[0,1,2],#  [0,1,2]] + [[1,1,1],#              [1,1,1]] = [[1,2,3],#                          [1,2,3]]# 案例3：三维广播tensor_3d = torch.ones(4, 3, 2)tensor_2d = torch.tensor([[0], [1], [2]])  # (3,1) → (4,3,2)result = tensor_3d + tensor_2dprint(result.shape)  # (4,3,2)

3. 广播失败案例

try:a = torch.ones(3, 4)b = torch.ones(2, 5)c = a + bexcept RuntimeError as e:print(f"Error: {e}")  # 无法广播

---

四、综合应用示例

1. 梯度控制与广播的结合

with torch.no_grad():base = torch.ones(2, 2)delta = torch.tensor([1., 2.])  # 广播为(2,2)modified = base * deltaprint(modified)  # 无梯度跟踪# 输出：# tensor([[1., 2.],#         [1., 2.]])

2. 拼接与自动求导

x = torch.tensor([1., 2.], requires_grad=True)y = torch.cat([x, x**2], dim=0)  # 拼接成[1,2,1,4]loss = y.sum()       # 1+2+1+4 = 8loss.backward()print(x.grad)        # [1+2x, 2+0] → [1+2*1=3, 2+0=2]# 输出：tensor([3., 2.])

---