Tensor是PyTorch中重要的数据结构，可认为是一个高维数组。它可以是一个数（标量）、一维数组（向量）、二维数组（矩阵）以及更高维的数组。Tensor和Numpy的ndarrays类似，但Tensor可以使用GPU进行加速。Tensor的使用和Numpy及Matlab的接口十分相似
取值，切片，等等与numpy一样。Tensor和numpy之间的互操作非常容易且非常快速。对于Tensor不支持的操作，可以先转为Numpy数组处理，之后再转回Tensor。
tensor.numpy() # tensor转化为numpy tensor.cup().numpy() # 将放在cuda中的tensor转为numpy numpy.from_numpy() # Numpy -> Tensor
Tensor和numpy对象共享内存，所以他们之间的转换很快，而且几乎不会消耗什么资源。但这也意味着，如果其中一个变了，另外一个也会随之改变。
如果你想获取某一个元素的值，可以使用scalar.item。 直接tensor[idx]得到的还是一个tensor: 一个0-dim 的tensor，一般称为scalar.
tensor = t.tensor([2]) # 注意和scalar的区别 tensor,scalar
tensor([2]), tensor(2., dtype=torch.float64))
numpy与tensor的不同之处：
tensor.size() #查看tensor的形状等价于numpy.shape,是tuple对象的子类，因此它支持tuple的所有操作，如x.size()[0]
函数名后后面带下划线_的函数会修改Tensor本身。例如 x.add_(y)会修改x， 但x.add(y)和x.t()返回一个新的tensor，而x不变。
numpy.copy() 与tensor.clone()类似 # t.tensor()或者tensor.clone()总是会进行数据拷贝，新tensor和原来的数据不再共享内存。所以如果你想共享内存的话，建议使用torch.from_numpy()或者tensor.detach()来新建一个tensor, 二者共享内存。
device = t.device("cuda:0" if t.cuda.is_available() else "cpu") x = x.to(device) y = y.to(x.device) # 此外，还可以使用tensor.cuda() 的方式将tensor拷贝到gpu上，但是这种方式不太推荐
# pytorch 会自动调用autograd 记录操作 x = t.ones(2, 2, requires_grad=True) # 上一步等价于 # x = t.ones(2,2) # x.requires_grad = True # grad在反向传播过程中是累加的(accumulated)，这意味着每一次运行反向传播，梯度都会累加之前的梯度，所以反向传播之前需把梯度清零。 # 以下划线结束的函数是inplace操作，会修改自身的值，就像add_ x.grad.data.zero_()
定义网络时，需要继承nn.Module，并实现它的forward方法，把网络中具有可学习参数的层放在构造函数__init__中。如果某一层(如ReLU)不具有可学习的参数，则既可以放在构造函数中，也可以不放，但建议不放在其中，而在forward中使用nn.functional代替
import torch.nn as nn import torch.nn.functional as F class Net(nn.Module): def __init__(self): # nn.Module子类的函数必须在构造函数中执行父类的构造函数 # 下式等价于nn.Module.__init__(self) super(Net, self).__init__() # 卷积层 ‘1‘表示输入图片为单通道, ‘6‘表示输出通道数，‘5‘表示卷积核为5*5 self.conv1 = nn.Conv2d(1, 6, 5) # 卷积层 self.conv2 = nn.Conv2d(6, 16, 5) # 仿射层/全连接层，y = Wx + b self.fc1 = nn.Linear(16*5*5, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): # 卷积 -> 激活 -> 池化 x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2)) x = F.max_pool2d(F.relu(self.conv2(x)), 2) # reshape，‘-1’表示自适应 x = x.view(x.size()[0], -1) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x net = Net() print(net)
只要在nn.Module的子类中定义了forward函数，backward函数就会自动被实现(利用autograd)。在forward 函数中可使用任何tensor支持的函数，还可以使用if、for循环、print、log等Python语法，写法和标准的Python写法一致。
params = list(net.parameters()) print(len(params)) for name,parameters in net.named_parameters(): print(name,‘:‘,parameters.size()) # 网络的可学习参数通过net.parameters()返回，net.named_parameters可同时返回可学习的参数及名称。
nn实现了神经网络中大多数的损失函数，例如nn.MSELoss用来计算均方误差，nn.CrossEntropyLoss用来计算交叉熵损失。
output = net(input) target = t.arange(0,10).view(1,10).float() criterion = nn.MSELoss() loss = criterion(output, target) loss # loss是个scalar # 当调用loss.backward()时，该图会动态生成并自动微分，也即会自动计算图中参数(Parameter)的导数。 # 运行.backward，观察调用之前和调用之后的grad net.zero_grad() # 把net中所有可学习参数的梯度清零 print(‘反向传播之前 conv1.bias的梯度‘) print(net.conv1.bias.grad) loss.backward() print(‘反向传播之后 conv1.bias的梯度‘) print(net.conv1.bias.grad)
在反向传播计算完所有参数的梯度后，还需要使用优化方法来更新网络的权重和参数，
torch.optim中实现了深度学习中绝大多数的优化方法，例如RMSProp、Adam、SGD等，更便于使用，因此大多数时候并不需要手动写上述代码。
import torch.optim as optim #新建一个优化器，指定要调整的参数和学习率 optimizer = optim.SGD(net.parameters(), lr = 0.01) # 在训练过程中 # 先梯度清零(与net.zero_grad()效果一样) optimizer.zero_grad() # 计算损失 output = net(input) loss = criterion(output, target) #反向传播 loss.backward() #更新参数 optimizer.step()
在深度学习中数据加载及预处理是非常复杂繁琐的，但PyTorch提供了一些可极大简化和加快数据处理流程的工具。同时，对于常用的数据集，PyTorch也提供了封装好的接口供用户快速调用，这些数据集主要保存在torchvison中。
torchvision实现了常用的图像数据加载功能，例如Imagenet、CIFAR10、MNIST等，以及常用的数据转换操作，这极大地方便了数据加载，并且代码具有可重用性。
原文：https://www.cnblogs.com/ziwh666/p/12354267.html