本系列博文我们将使用 PyTorch 来实现深度学习模型等。PyTorch 是一个开源的、社区驱动的深度学习框架。拥有强大的工具和库生态系统，包含 TorchVision（用于图像处理）、TorchText（用于文本处理）、TorchAudio（用于音频处理）等。

安装 PyTorch

网址：https://pytorch.org/

根据系统以及是否有 GPU 进行安装 PyTorch 库；

如我在 Windows 电脑上安装 CPU 版本的 PyTorch， Anaconda Prompt 中输入命令为：

pip3 install torch torchvision torchaudio

---

张量

PyTorch 库的核心是张量，是一种多维的数据结构，类似于 NumPy 中的 ndarray。但是张量在自动微分和深度学习方面提供了更多的操作和功能。张量在 PyTorch 中的地位类似于矩阵在 MATLAB 中的地位，是进行计算的基础。

零阶张量： 零阶张量只是一个数字或标量；

一阶张量： 一阶张量是数组或者向量；

二阶张量： 二阶张量是向量数组或矩阵；

N阶张量： 张量可以概括为标量的 N 维数组。

---

创建张量

torch.tensor()：从数据创建张量。
torch.zeros()：创建一个指定大小和数据类型的全零张量。
torch.ones()：创建一个指定大小和数据类型的全一张量。
torch.rand()：创建一个指定大小和数据类型的随机张量。
torch.randn()：创建一个指定大小和数据类型的标准正态分布张量。
torch.full()：创建一个指定大小和数据类型的填充张量。

$e.g.$

import torch# 从数据创建张量
x = torch.tensor([1, 2, 3])
# 创建3行2列全零张量
zero_tensor = torch.zeros(3, 2)
# 创建3行2列全1张量
one_tensor = torch.ones(3, 2)
# 创建3行2列随机张量
random_tensor = torch.rand(3, 2)
# 创建3行2列标准正态分布张量
normal_tensor = torch.randn(3, 2)
# 创建3行2列填充张量
full_tensor = torch.full((3, 2), 5)

处理 Numpy 与 PyTorch 张量之间的转换很重要：

import torch
import numpy as npnpy = np.random.rand(2, 3)
tf_npy = torch.from_numpy(npy)
print(tf_npy)

由此，我们将 Numpy 数组变换为 PyTorch 张量。

---

操作张量

import torchx = torch.tensor([[1.2, 2, 3],[4, 5, 6],[7, 8, 9]])# 操作1：获取张量的形状大小
print(x.shape)
print(x.size())# 操作2：计算总和
sum_x = torch.sum(x)
print(sum_x)# 操作3：计算平均值
mean_x = torch.mean(x)
print(mean_x)# 操作4：计算最小值和最大值
min_x = torch.min(x)
max_x = torch.max(x)
print(min_x, max_x)# 操作5：找到最小值和最大值的索引
argmin_x = torch.argmin(x)
argmax_x = torch.argmax(x)
print(argmin_x, argmax_x)

---

索引、切片、联合操作

索引：

import torchx = torch.tensor([[1.2, 2, 3],[4, 5, 6],[7, 8, 9]])# 根据条件选择元素，被筛选掉的用torch.tensor(x)中x替代
where_tensor = torch.where(x > 2, x, torch.tensor(10))
print(where_tensor)# 根据索引选择元素
index_selected = x[torch.tensor([0, 2])]
print(index_selected)

切片：

import torchx = torch.tensor([[1, 2, 3],[4, 5, 6],[7, 8, 9]])# 操作1：获取张量的一部分
subset = x[1:3,2]
print(subset)# 操作2：获取张量的单行元素
element = x[0]
print(element)# 操作3：使用布尔掩码选择元素
mask = x > 2
selected = x[mask]
print(selected)

拼接和堆叠

# 拼接
import torcha = torch.tensor([[1, 2, 3],[4, 5, 6]])b = torch.tensor([[7, 8, 9]])# 拼接张量
# 注意通过 dim 判断行列
cat_tensor = torch.cat((x, y), dim=0)
print(cat_tensor)

# 堆叠
import torcha = torch.tensor([[1, 2],[4, 5],[7, 8]])b = torch.tensor([[3, 11],[6, 12],[9, 13]])# 堆叠张量
# 注意通过dim指定行列
stack_tensor = torch.stack((a, b), dim=1)
print(stack_tensor)

---

CUDA张量

CUDA张量核心的优势在于它们可以同时执行多个浮点运算，并且高度优化了内存访问模式，从而在执行矩阵乘法和其他线性代数运算时提供了极高的吞吐量。这对于执行深度学习中的大规模并行计算非常有用。

1. 首先检查 GPU、CUDA 是否可用

import torch
print(torch.cuda.is_available())
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)

如果在含有 GPU 的笔记本显示 CUDA 不可用，可以尝试从 “PyTorch 安装了 CPU 版本”，或者 “GPU 驱动更新” 等角度查找问题。需要注意的是，苹果电脑没有 GPU，自然不存在 CUDA。

2. 步骤1 CUDA 可用，那么实例化张量并将其移动到 GPU 上

x = torch.rand(3, 3).to(device)

要对 CUDA 和非 CUDA 对象进行操作，需要确保在用一设备上，否则运算将中断。且 GPU CPU 来回移动数据的成本很高，所以典型的过程是在 GPU 上进行并行化的计算，仅在最终结果出来后传输回 CPU。

此外，如果你有多个 GPU，最佳实践是在执行程序时候使用：

CUDA_VISIBLE_DEVICES=0,1,2,3 python main.py

---

发布：2024/2/2
版本：第一版
如有任何疑问，请联系我，谢谢！