深度学习案例教程 教案2.3张量与数学运算（共5节）.docx

2.3.1

（p1）同学们大家好，本节课我们来学习2.3节PyTorch的基本使用。

在这一小节里面，我们会学习到张量、以及其数学运算、数理统计的知识。

（p2）首先，我们来学习2.3.1小节张量。

PyTorch的运算单元叫作张量（Tensor）。我们可以将张量理解为一个多维数组，一阶张量即为一维数组，通常叫作向量；二阶张量即为二维数组，通常叫作矩阵；三阶张量即为三维数组；n阶张量即为n维数组。

我们可以来看一个例子。

如图2.18所示，是一个三阶张量，我们可以理解为三个矩阵，每个矩阵相当于一个二阶张量，都具有8行6列，其中每个单元都存储了一个实数，这些实数可能相同，也可能不同。

另外，我们将一个张量每个维度的大小称为张量在这个维度的尺寸(size)。

例如，在图2.18所示的张量中，

它由三个矩阵构成，所以它第一个维度的尺寸就是3；

在每一个维度上，它又是一个矩阵，这个矩阵有8行，因此它第二个维度的尺寸就是8；

对于任意一行，它又是一个长度为6的向量，因此它第三个维度的尺寸就是6。

如果我们将这个三阶张量看作一个立方体，那么3、8、6就分别是这个立方体的长、宽、高。

图2.18中最后一行(3,8,6)就标出了该张量在各个维度的尺寸。

（p3）Tensor的基本数字类型有五种

第一种是：32位浮点型，代码定义为：torch.FloatTensor。

第二种是：64位整型，代码定义为：torch.LongTensor。

第三种是：32位整型，代码定义为：torch.IntTensor。

第四种是：16位整型，代码定义为：torch.ShortTensor。

第五种是：64位浮点型，代码定义为：torch.DoubleTensor。

除以上基本数字类型外，还有byte【bait】和chart类型等。

（p4）在学习张量前，首先要有一个张量可以操作，所以，我们现在来学习一下，如何去初始化一个张量。

这里我们将会学习到4种初始化张量的方法：

（1）通过基础构造函数创建张量

（2）通过数据创建张量

（3）根据另一个张量创建

（4）使用随机或恒定值创建

（p5）对于第一种创建方法——通过基础构造函数创建张量。

我们来看一个例子。

例如，构造一个3×4的张量，代码如下。

首先，导入我们需要的包torch，再调用torch下面的tensor()函数，里面填写好张量大小即可，但需要注意3和4的先后顺序。最后，我们将生成好的张量打印出来查看一下。

代码运行成功，生成了一个3×4的张量。

（p6）对于第二种创建方法——通过数据创建张量。

我们来看一个例子。

张量可以直接从数据中创建，其数据类型是自动推断的，代码如下：

首先，导入我们需要的包torch，再定义一个list类型数据data，这时，我们就可以通过已有数据data来创建张量，方法是调用torch下面的tensor()函数，里面参数写上data即可，最后，我们将生成好的张量打印出来查看一下。

代码运行成功，生成了一个和data数值相同，类型为张量的数据。

（p7）对于第三种创建方法——根据另一个张量创建。

我们来看一个例子。

通过代码注释部分，我们可以知道，

新张量保留参数张量的属性（即形状、数据类型），除非显式覆盖。

（p8）对于第四种创建方法——使用随机或恒定值创建。

我们来看一个例子。

使用随机或恒定值创建张量，其中参数shape是张量维度的元组，它决定了输出张量的形

状。

代码如下，

torch.rand()是用于生成均匀随机分布张量的函数，从区间[0,1)的均匀分布中抽取一个随机数生成一个张量。

torch.ones()返回一个全为1的张量。

torch.zeros()返回一个全为0的张量。

运行代码，结果正确，生成了三种不同的张量。

（p9）了解了如何初始化一个张量，现在我们来学习一下张量的相关属性。

张量的属性包括形状、数据类型和存储设备等，下面我们通过程序输出相关的属性。

代码如下：

tensor.shape输出张量的形状，tensor.dtype输出张量的数据类型，tensor.device输出张量的存储设备信息。

例子中，生成的张量tensor大小为2x4，类型为float32类型，存储在cpu设备上。

（p10）了解了张量的相关属性，现在我们来学习一个重点内容——张量的操作。

在这一部分，我们将会学习到3个内容，

如何将张量移动到GPU上。

张量的索引和切片操作。

张量的连接操作。

（p11）默认情况下，张量是在CPU上创建的。这时可以将张量移动到GPU上，因为GPU的处理速度，通常比CPU更快。

具体代码如下：

首先需要判断自身设备上是否有GPU可用，如果可用，