【1】引言

pytorch是深度學習常用的包，顧名思義，就是python適用的torch包，在python里面使用時直接import torch就可以調用。

需要注意的是，pytorch包與電腦配置、python版本有很大關系，一定要仔細閱讀安裝要求、找到教程后再安裝。由于已經有很多詳細指導教程，這里就不再班門弄斧。

本文的寫作目的是記錄pytorch的基本運算、以備不時之需，歡迎大家一起學習和討論。

大家也可以到pytorch的官網教程地址自主學習：Learning PyTorch with Examples — PyTorch Tutorials 2.7.0+cu126 documentation

【2】基本運算

【2.1】導入包

導入包的操作非常簡單，和其他包的導入一模一樣：

# 導入包
import torch

【2.2】生成隨機張量

pytorch支持生成隨機張量，和numpy包的操作一樣，代碼：

# 導入包
import torch
# 定義隨機量
x=torch.randn(3,4)
# 打印
print(x)

這里定義了一個3行4列且符合標準正態分布的隨機矩陣，運算后的結果為：

圖1 torch.randn(3,4)?

關于torch.randn()函數的說明，可以通過官網教程進一步加深理解：

torch.randn — PyTorch 2.7 documentation

torch.randn(*size, *, generator=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False, pin_memory=False) → Tensor

torch.randn()函數的?具體參數：

• size，隨機數矩陣/張量的行列尺寸
• generator=None，隨機數生成器，一般無需設置
• out=None，輸出張量，默認為沒有，一般無需設置
• dtype=None，生成隨機數矩陣/張量的數據類型，一般無需設置，會默認跟隨全局數據類型自動調整
• layout=torch.strided，輸出矩陣/張量的布局形式，一般默認即可，都是大家熟悉的矩陣樣式
• device=None，和電腦配置相關，一般無需設置
• requires_grad=False，grad是求導操作，只要要求導的時候才會用
• pin_memory=False，在內存中給張量分配空間，僅適用CPU張量，一般無需設置

【2.3】生成多維張量

pytorch支持生成多維張量，代碼：

# 導入包
import torch
# 生成多為維張量
y=torch.tensor([[1,2,3,4],[5,6,7,8],[1,3,5,7]])
#打印
print('y=',y)
# 生成空張量
z=torch.tensor([])
#打印
print('z=',z)

這里只調用了一個函數torch.tensor()，在函數中使用方括號“[]”可以直接定義張量，運算后的結果為：

?圖2 torch.tensor([]

關于torch.tensor()函數的說明，可以通過官網教程進一步加深理解：

torch.tensor — PyTorch 2.7 documentation

torch.tensor(data, *, dtype=None, device=None, requires_grad=False, pin_memory=False) → Tensor?

torch.tensor()函數的?具體參數：

• data，張量的初始數據。可以是列表、元組、NumPy ndarray、標量和其他類型
• dtype=None，生成隨機數矩陣/張量的數據類型，一般無需設置，會默認跟隨全局數據類型自動調整
• device=None，和電腦配置相關，一般無需設置
• requires_grad=False，grad是求導操作，只要要求導的時候才會用
• pin_memory=False，在內存中給張量分配空間，僅適用CPU張量，一般無需設置

【2.4】張量變形

pytorch支持張量變形運算，代碼：

# 導入包
import torch
# 生成多為維張量
y=torch.tensor([[1,2,3,4],[5,6,7,8],[1,3,5,7]])
#打印
print('y=',y)
# 變形
y=y.reshape(2,6)
# 打印
print('y=',y)

這里只調用了一個函數reshape()，原始張量是3行4列，reshape之后變化成2行6列，運算后的結果為：

?圖3 reshape()

這里使用的reshape()函數是通過張量加點的形式直接調用，torch包也允許通過torch.reshape()的形式進行變形，官網鏈接為：

torch.reshape — PyTorch 2.7 documentation

這里的調用形式為：

torch.reshape(input, shape) → Tensor

?input，待變形的張量

shape，張量變形后的尺寸

可以依據這個形式重寫上述代碼，最后運行效果一樣：

# 導入包
import torch
# 生成多為維張量
y=torch.tensor([[1,2,3,4],[5,6,7,8],[1,3,5,7]])
#打印
print('y=',y)
# 變形
y=torch.reshape(y,(2,6))
# 打印
print('y=',y)

【2.5】張量加減

pytorch支持不同張量在同一位置進行加減運算，代碼：

import torch
# 生成多為維張量
a=torch.tensor([[1,2,3,4],[5,6,7,8],[1,3,5,7]])
b=torch.tensor([[1,2,2,3],[5,6,2,8],[1,3,8,7]])
# 打印
print('a',a)
print('b',b)
# 張量加減法
y=a+b
z=a-b
# 打印
print(y)
print(z)

代碼運行后：

??圖4 加減法

張量加減是在同一位置上進行的，需要提前準備好各個位置上的元素。

如果兩個張量大小不一致，pytorch也能進行加減運算，這就是廣播機制。

【2.6】張量廣播運算?

pytorch支持張量廣播運算，代碼：

# 導入包
import torch
# 生成多為維張量
y=torch.tensor([1,2,3])
z=torch.tensor([[3],[2],[1]
])
#打印
print('y=',y)
print('z=',z)
# 
a=y+z
print('a=',a)

代碼非常清楚，y是行向量，z是列向量，這兩個張量形式上完全不一樣，所以直接看運算效果來反推pytorch是如何廣播的：

?圖5 廣播-加法

計算結果表明，行向量y按照行廣播，列向量z按照列廣播，廣播后變成同等大小的張量，然后對相同位置的各個元素進行疊加。

可以使用以下代碼測試：

# 導入包
import torch
# 生成多為維張量
y=torch.tensor([[1,2,3],[1,2,3],[1,2,3]])
z=torch.tensor([[3,3,3],[2,2,2],[1,1,1]
])
#打印
print('y=',y)
print('z=',z)
#
a=y+z
print('a=',a)

代碼運行效果：

?圖6 加法?

對比圖5和圖6，運算效果一致。

在張量尺寸大小不一致時，pytorch進行加減法運算時自動執行廣播運算，在保證兩個張量外形尺寸一致后，再對同一位置的元素進行加減運算。

【3】總結

探索了部分pytorch的基本運算。?