本文參考PyTorch官網(wǎng)的教程，分為五個(gè)基本模塊來介紹PyTorch。為了避免文章過長，這五個(gè)模塊分別在五篇博文中介紹。

Part1：PyTorch簡單知識(shí)

Part2：PyTorch的自動(dòng)梯度計(jì)算

Part3：使用PyTorch構(gòu)建一個(gè)神經(jīng)網(wǎng)絡(luò)

Part4：訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)分類器

Part5：數(shù)據(jù)并行化

本文是關(guān)于Part1的內(nèi)容。

Part1：PyTorch簡單知識(shí)

PyTorch是一個(gè)基于Python的科學(xué)計(jì)算框架，用于進(jìn)行深度學(xué)習(xí)相關(guān)研究。對于Python語言的入門，可以參考之前的兩篇介紹Python&Numpy的博客。分別是Python& Numpy 教程（上） 和Python & Numpy 教程（下）。這里我們就直接介紹PyTorch中的基本操作。

1 Tensors

Tensors與numpy中的ndarray類似，但是Tensors支持GPU運(yùn)算。首先來做一些簡單的例子。

導(dǎo)入基本的package：

構(gòu)建一個(gè)5*3的未初始化的矩陣：

x = torch.Tensor(5, 3)
print(x)

構(gòu)建一個(gè)隨機(jī)初始化矩陣：

x = torch.rand(5, 3)
print(x)

獲取矩陣的size：

print(x.size())

注意，torch.Size實(shí)際上是一個(gè)tuple，所以它支持相同的運(yùn)算。

2 運(yùn)算（Operations）

運(yùn)算可以使用多種語法表示，我們以加法為例子來說明。

加法：語法1

y = torch.rand(5, 3)
print(x + y)

加法：語法2

print(torch.add(x, y))

加法：給定輸出的tensor

result = torch.Tensor(5, 3)
torch.add(x, y, out=result)
print(result)

加法：原地進(jìn)行（in-place）的加法

# adds x to y
y.add_(x)
print(y)

注意，任何原地改變tensor的運(yùn)算后邊會(huì)后綴一個(gè)“_”，例如：x.copy_（y），x.t_（），會(huì)改變x的值。

你可以使用標(biāo)準(zhǔn)的numpy方式的索引。

print(x[:, 1])

3 NumpyBridge

將torch的Tensor轉(zhuǎn)換為numpy的array，反之亦然。

torch的Tensor和numpy的array分享底層的內(nèi)存地址，所以改變其中一個(gè)就會(huì)改變另一個(gè)。

將torch Tensor轉(zhuǎn)換為numpy array

a = torch.ones(5)
print(a)

b = a.numpy()
print(b)

觀察numpy array的值怎樣改變。

a.add_(1)
print(a)
print(b)

將numpy array 轉(zhuǎn)換為torch Tensor

看一下改變numpy array的值是怎樣同時(shí)改變torch Tensor的。

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)

CPU上的所有Tensors（除了CharTensor）支持到Numpy的雙向轉(zhuǎn)換。

4 CUDA Tensors

通過使用 .cuda 函數(shù)，Tensors可以被移動(dòng)到GPU。

# let us run this cell only if CUDA is available
if torch.cuda.is_available():
    x = x.cuda()
    y = y.cuda()
    x + y