我就基本的解釋一下吧，！

一、torch.manual_seed(seed)

功能： 用于手動設置 PyTorch 的隨機數生成器的種子。當你設置了一個特定的種子后，后續所有依賴隨機數生成的操作都會產生可重復的結果。
參數： seed 是一個整數，取值范圍通常是 32 位整數范圍（-2147483648 到 2147483647）。

示例代碼如下：

import torch# 設置隨機種子
torch.manual_seed(42)
# 生成隨機張量
tensor1 = torch.randn(2, 2)
print(tensor1)# 再次設置相同的種子
torch.manual_seed(42)
tensor2 = torch.randn(2, 2)
print(tensor2)# 驗證兩次生成的張量是否相同
print(torch.allclose(tensor1, tensor2))  # 輸出 True

運行結果如下圖：

（一般還有個torch.seed()但是被棄用了，因為每次都是隨機的結果，在科研啥的，一般都手動指定隨機數種子，）

先解釋一下，什么是隨機數種子：
PyTorch 中隨機數種子的作用原理
隨機數種子就像是隨機數生成器的起始狀態標識。在 PyTorch 里，隨機數生成器是基于特定的算法（如 Mersenne Twister 算法）來工作的。當你設置一個隨機數種子時，實際上是將隨機數生成器初始化為一個特定的狀態。

從這個特定狀態開始，隨機數生成器會按照固定的算法規則生成一系列隨機數。只要種子不變，每次從這個狀態開始生成的隨機數序列都是相同的。這就保證了在相同的代碼和相同的種子設置下，每次運行代碼時，所有依賴隨機數生成的操作（如初始化模型權重、打亂數據集等）都會產生相同的結果，從而實現實驗的可重復性。

例如，在神經網絡訓練中，我們通常會隨機初始化模型的權重。如果不設置隨機數種子，每次運行代碼時權重的初始化值都不同，那么模型的訓練結果也會有差異，不利于實驗結果的對比和分析。而通過設置固定的隨機數種子，我們可以確保每次運行代碼時模型的初始權重是相同的，這樣就可以更準確地評估不同訓練參數或方法對模型性能的影響。

二、torch.cuda.manual_seed(seed)

功能： 專門為 CUDA 設備（即 GPU）設置隨機數種子。如果你的代碼在 GPU 上運行，使用這個函數可以確保在 GPU 上的隨機操作具有可重復性。
參數： seed 同樣是一個整數。

import torchif torch.cuda.is_available():# 為 CUDA 設備設置隨機種子torch.cuda.manual_seed(42)# 在 GPU 上生成隨機張量device = torch.device("cuda")tensor = torch.randn(2, 2).to(device)print(tensor)

注意：沒有CUDA的就別跑了，會報錯的。

三、torch.rand(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

功能： 生成指定形狀的服從均勻分布的隨機數張量，取值范圍是 [0, 1)。
參數：
*size： 張量的形狀，例如 (2, 3) 表示生成一個 2 行 3 列的張量。
out： 可選參數，用于指定輸出張量。
dtype： 張量的數據類型。
layout： 張量的布局，一般使用默認的 torch.strided。
device： 張量存儲的設備，如 ‘cpu’ 或 ‘cuda’。
requires_grad： 是否需要計算梯度。

import torch# 生成一個 2 行 3 列的隨機張量
random_tensor = torch.rand(2, 3)
print(random_tensor)

示例結果：

四、給大家寫一個常用的自動選擇電腦cuda 或者cpu 的小技巧

import torch# 判斷 CUDA 是否可用
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"Using device: {device}")

五、torch.version.cuda；torch.backends.cudnn.version()；打印cuda、cudnn版本

import torch# 判斷 CUDA 是否可用
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")print(f"Using device: {device}")print(torch.cuda.is_available()) #查看是否有cuda
print(torch.backends.cudnn.is_available()) #查看是否有cudnn
print(torch.version.cuda) #打印cuda的版本
print(torch.backends.cudnn.version()) #打印cudnn的版本

我的運行結果如下：

大家如果有安裝環境有問題的也可以私信我哦~

六、torch.autograd.grad()自動求梯度

torch.autograd.grad()用于求取梯度；
函數原型：
torch.autograd.grad(outputs, inputs, grad_outputs=None, retain_graph=None, create_graph=False, only_inputs=True, allow_unused=False)

outputs：
類型：Tensor 或 Tensor 列表
描述：目標張量，即需要計算梯度的張量。
inputs：
類型：Tensor 或 Tensor 列表
描述：輸入張量，用于計算梯度的張量。
grad_outputs（可選）：
類型：Tensor 或 Tensor 列表
描述：目標張量對應的梯度。如果outputs 是一個標量，則 grad_outputs 不需要指定；如果 outputs 是一個張量或張量列表，需要指定 grad_outputs 的形狀與之對應。
retain_graph（可選，默認值：None）：
類型：布爾值
描述：是否保留計算圖。在默認情況下，計算圖在反向傳播后會被釋放以節省內存。如果需要多次反向傳播同一個計算圖，可以設置為 True。
create_graph（可選，默認值：False）：
類型：布爾值
描述：是否創建新的計算圖。如果設置為 True，梯度計算將被跟蹤，生成的梯度張量將保留計算圖，從而允許進行高階導數的計算。
only_inputs（可選，默認值：True）：
類型：布爾值
描述：是否只計算輸入張量的梯度。如果設置為 True，僅輸入張量的梯度會被計算。
allow_unused（可選，默認值：False）：
類型：布爾值
描述：是否允許輸入張量未被使用。如果某些輸入張量未被 outputs 使用，并且沒有被計算梯度，則會拋出錯誤。如果設置為 True，這些未使用的輸入張量的梯度將返回為 None。
返回值
類型：Tensor 或 Tensor 列表
返回對應輸入張量的梯度。

outputs：是你希望對其進行求導的標量

import torch# 創建兩個張量，requires_grad=True 表示需要計算梯度
x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
y = torch.tensor([4.0, 5.0, 6.0], requires_grad=True)# 定義一個函數 z = x * y
z = x * y# 使用 torch.autograd.grad() 計算梯度
grad_z_x = torch.autograd.grad(outputs=z, inputs=x, grad_outputs=torch.ones_like(z))print("梯度 dz/dx:", grad_z_x)

---

后面如果還有什么用到的，我會在這繼續更新…ing!