同学你好！本文章于2021年末编写，获得广泛的好评！
故在2022年末对本系列进行填充与更新，欢迎大家订阅最新的专栏，获取基于Pytorch1.10版本的理论代码(2023版)实现，
Pytorch深度学习·理论篇(2023版)目录地址为：
CSDN独家 | 全网首发 | Pytorch深度学习·理论篇(2023版)目录
本专栏将通过系统的深度学习实例，从可解释性的角度对深度学习的原理进行讲解与分析，通过将深度学习知识与Pytorch的高效结合，帮助各位新入门的读者理解深度学习各个模板之间的关系，这些均是在Pytorch上实现的，可以有效的结合当前各位研究生的研究方向，设计人工智能的各个领域，是经过一年时间打磨的精品专栏！
https://v9999.blog.csdn.net/article/details/127587345
欢迎大家订阅(2023版)理论篇
以下为2021版原文~~~~
1 概述
Pytorch是基于Torch之上的python包，在底层主要通过张量的形式进行计算，Pytorch中的张量表示为同一数据类型的多位橘子。
1.1 基础数据类型的概述
1、标量：即具体的数字
2、向量：多个标量组成
3、矩阵：多个向量组成
4、张量：多个矩阵组成的量
2 张量
2.1 张量在编程语言上的定义方法
2.1.1 torch.tensor()
import torch # 引入torch库 import numpy as np # 引入Numpy """ torch.tensor()：仅有一个参数，其功能是将转入的对象转化为张量 """ a = torch.tensor(5) #定义一个张量 5 print(a) #输出 tensor(5) anp = np.asarray([4]) #定义一个Numpy数组 a = torch.tensor(anp) #将Numpy数组转化成张量 print(a)# 输出 tensor([4], dtype=torch.int32)
结果：
2.1.2 torch.Tensor()
import torch # 引入torch库 import numpy as np # 引入Numpy """ torch.Tensor()： 1.当传入数字时，创建一个指定形状的张量，生成的张量是未初始化的。 2.传入一个列表时，生成与该列表内容相同的张量 """ a = torch.Tensor(2) #定义指定形状未初始化的张量 print(a) #输出 tensor([-1.5370e+18, 1.0872e-18]) b = torch.Tensor(1,2) #定义指定形状的未初始化的张量 print(b) #输出 tensor([[-1.5312e+18, 2.7181e-19]]) e = torch.rand(2,1) #定义指定形状的已初始化的张量 print(e) #随机生成0至1区间内的张量 c = torch.Tensor([2]) #定义指定内容的张量 print(c) #输出 tensor([2.]) d = torch.Tensor([1,2]) #定义一个指定内容的张量 print(d) #输出 tensor([1., 2.])
结果：
2.1.3 张量的类型判断与元素个数计算
import torch # 引入torch库 a = torch.Tensor(2) # 定义一个指定形状的张量 print(torch.is_tensor(a)) # 判断a是否为张量 print(torch.numel(a)) # 获得a中的元素个数
结果：
2.1.4 张量的默认类型
在torch中CPU和GPU张量分别有8种数据类型
在torch中默认的数据类型是32位浮点型（torch.FloatTensor），可以通过torch.set_default_tensor_type()函数设置默认的数据类型，但是该函数只支持设置浮点型数据类型，代码如下：
import torch torch.tensor([1.2,3.4]).dtype #获取张量的数据类型，其中torch.tensor()函数生成一个张量 #默认为 torch.float32 torch.set_default_tensor_type(torch.DoubleTensor) #设置张量的默认数据类型 torch.tensor([1.2,3.4]).dtype #此时变成 torch.float64
2.1.5 张量的type()方法==》将张量转化为基础数据类型
在torch中还有其他类型的数据，将浮点型转化为其他数据类型的方法如下：
a = torch.tensor([1.2,3.4]) print("a.dtype:",a.dtype) print("a.long()方法",a.long().dtype) print("a.int()方法",a.int().dtype) print("a.float()方法",a.float().dtype) # #a.dtype:torch.float64 #a.long()方法：torch.int64 #a.int()方法：torch.int32 #a.float()方法：torch.float32
2.1.6 dtype和type()的区别
torch_tensor.dtype #返回类似： torch.float64，是torch定义的数据类型。 torch_tensor.type() #返回类似：torch.cuda.DoubleTensor ，是字符串，且可以看到是CPU张量还是GPU张量。 torch.float64 对应 torch.DoubleTensor torch.float32 对应 torch.FloatTensor
2.1.7 默认类型在其他函数中的应用
torch.ones()：生成指定形状、元素值为1的张量数组
torch.zeros()：生成指定形状、元素值为0的张量数组
torch.ones_like()：生成与目标张量形状相同、元素值为1的张量数组
torch.zeros_like()：生成与目标张量形状相同、元素值为1的张量数组
torch.randn()：生成指定形状的随机数张量数组
torch.eye()：生成对角矩阵的张量
torch.full()：生成元素值均为1的矩阵的张量
2.2 张量与Numpy的关系
在pytorch中张量可以是一个标量，一个向量，一个矩阵，甚至是更高维度的数组，所以pytorch中的rtensor和numpy中的数
组（ndarray）非常相似。
在使用中也经常将pytorch中的张量和numpy库中的数组相互转化，在深度网络中，基于pytorch的相关计算都是在tensor的基础上完成的。
2.2.1 类型转换
import torch import numpy as np a = torch.FloatTensor([4]) # 定义一个张量 print(a.numpy()) # 转化成numpy，并输出 anp = np.asarray([4]) # 定义一个numpy类型对象 print(torch.from_numpy(anp)) # 法1 转化为tensor，并输出 print(torch.tensor(anp))# 法2 转化为tensor，并输出
结果：
2.2.2 张量与numpy类型变量的形状
import torch import numpy as np x = torch.rand(2,1) print(x.shape,x.size()) anp = np.asarray([4,2]) print(anp.shape,anp.size)
结果：
2.2.3 切片操作
import torch import numpy as np x = torch.rand(2,1) print(x[:]) anp = np.asarray([4,2]) print(anp[:])
结果：
2.2.3 陷阱
Numpy转化为tensor张量时，若改变tensor的数值，不会影响到原numpy的数值，因为tensor会重新开辟区域。若改变numpy的数值，会影响到tensor的数值，因为numpy不会重新开辟区域。
