一、PyTorch簡介與安裝

1.核心概念

????????PyTorch 是一款 Python 深度學習框架，其核心是張量（Tensor）?—— 元素為同一種數據類型的多維矩陣，以 “類” 的形式封裝，內置了張量運算、處理等方法，是深度學習中數據存儲和計算的基礎單元。

2.安裝命令

????????pip install torch===1.10.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

二、張量的創建與類型轉換

1.基本創建方式

2.線性與隨機張量創建

? ? ? ? 線性張量

? ? ? ? ? ? ? ? torch.arange（start，end，step）：在（start，end）區間內按步長step生成 1 維張量，元素類型為int64。示例：torch.arange(0,10,2)?→?tensor([0,2,4,6,8])。

? ? ? ? ? ? ? ? torch.linspace（start，end，step）：在[start, end]區間內生成steps個等間隔元素的 1 維張量，默認float32。示例：troch.linspace(0,11,10)-->tensor([0.00,1.22,...,11.00])。

????????隨機張量與種子設置

? ? ? ? torch.randn（shape）：生成符合標準正態分布（均值 0、方差 1）的指定形狀張量，默認float32。示例：torch.randn(2,3)?→ 2 行 3 列的隨機張量。

? ? ? ? 隨機種子：torch.random.manual_seed(seed)固定隨機種子，確保每次運行生成相同的隨機張量；torch.random.initial_seed()查看當前隨機種子。示例：

torch.random.manual_seed(100)
print(torch.randn(2,3))  # 每次運行結果一致
print(torch.random.initial_seed())  # 輸出100

3.0-1及指定值張量創建

? ? ? ? 全1張量：torch.ones(shape)創建指定形狀全 1 張量；torch.ones_like(tensor)根據已有張量形狀創建全 1 張量，示例：

data = torch.ones(2,3)  # tensor([[1.,1.,1.],[1.,1.,1.]])
data_like = torch.ones_like(data)  # 與data形狀相同的全1張量

? ? ? ? 全0張量：torch.zeros(shape)創建指定形狀全 0 張量；torch.zeros_like(tensor)根據已有張量形狀創建全 0 張量，用法與全 1 張量一致。

? ? ? ? 指定量張量：torch.full(shape, value)創建指定形狀、元素均為value的張量；torch.full_like(tensor, value)根據已有張量形狀創建指定值張量，示例：

data = torch.full([2,3],10)  # tensor([[10,10,10],[10,10,10]])
data_like = torch.full_like(data,20)  # 元素均為20的張量

4.張量類型轉換

? ? ? ? data.type（torch.目標類型）顯式指定目標類型，支持torch.ShortTensor（int16）、torch.IntTensor（int32）、torch.LongTensor（int64）、torch.FloatTensor（float32）、torch.DoubleTensor（float64）。

data = torch.full([2,3],10)  # dtype=torch.int64
data = data.type(torch.DoubleTensor)  # dtype=torch.float64

? ? ? ? data.目標類型縮寫（）：快捷轉換方法，如data.short()（轉 int16）、data.int()（轉 int32）、data.long()（轉 int64）、data.float()（轉 float32）、data.double()（轉 float64）。

data = torch.full([2,3],10)  # dtype=torch.int64
data = data.double()  # dtype=torch.float64

三、張量與其他數據類型的轉換

1.張量轉numpy數組

? ? ? ? 方法：data_tensor.numpy(),默認共享內存（修改一個，另一個同步變化）；若需避免共享，使用data_tensor.numpy().copy（）。

# 共享內存
data_tensor = torch.tensor([2,3,4])
data_numpy = data_tensor.numpy()
data_numpy[0] = 100  # data_tensor也變為tensor([100,3,4])# 不共享內存
data_numpy = data_tensor.numpy().copy()
data_numpy[0] = 200  # data_tensor仍為tensor([100,3,4])

2.numpy數組轉張量

3.標量張量與數字轉換

? ? ? ? 對于僅含一個元素的張量（標量張量），使用data.item()提取 Python 原生數字類型（如int、float）。示例：

data1 = torch.tensor([30,])  # 標量張量
data2 = torch.tensor(30)     # 標量張量
print(data1.item())  # 30（int類型）
print(data2.item())  # 30（int類型）

四、張量數值計算與運算函數

1.基本運算

支持加減乘除、取負等操作，分為不修改原張量和修改原張量（函數名帶下劃線）兩類，示例：

data = torch.randint(0,10,[2,3])  # 示例：tensor([[3,7,4],[0,0,6]])# 不修改原張量
new_data = data.add(10)  # 等價于data + 10 → tensor([[13,17,14],[10,10,16]])
new_data = data.sub(5)   # 等價于data - 5
new_data = data.mul(2)   # 等價于data * 2
new_data = data.div(2)   # 等價于data / 2
new_data = data.neg()    # 等價于-data# 修改原張量
data.add_(10)  # data變為tensor([[13,17,14],[10,10,16]])
data.sub_(5)   # data進一步修改

2.點乘與矩陣乘法

????????點乘（Hadamard積）：兩個同形狀張量對應元素相乘，使用torch.mul(data1, data2)或data1 * data2。示例：

data1 = torch.tensor([[1,2],[3,4]])
data2 = torch.tensor([[5,6],[7,8]])
print(torch.mul(data1, data2))  # tensor([[5,12],[21,32]])
print(data1 * data2)            # 同上

? ? ? ? 矩陣乘法：要求第一個張量的列數等于第二個張量的行數（形狀為(n,m)和(m,p)，結果為(n,p)），使用data1 @ data2或torch.matmul(data1, data2)。示例：

data1 = torch.tensor([[1,2],[3,4],[5,6]])  # (3,2)
data2 = torch.tensor([[5,6],[7,8]])        # (2,2)
print(data1 @ data2)  # tensor([[19,22],[43,50],[67,78]])（3,2）
print(torch.matmul(data1, data2))  # 同上

3.常見運算函數