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 在GPU与CPU上定义张量
1.1 GPU与CPU的张量相互转化
import torch # 创建一个张量 a = torch.FloatTensor() # 将CPU上的张量在GPU所管理的内存中重新创建 b = a.cuda() print(b) # 输出 tensor([], device='cuda:0') # 将GPU上的张量创建到CPU上 print(b.cpu()) # 输出 tensor([])
1.2 在GPU上定义张量
import torch # 创建一个张量 a = torch.tensor([4],device='cuda')#在GPU上定义一个张量 print(a) # 输出 tensor([4], device='cuda:0')
1.3 指定GPU设备运行的两种方法
1.3.1 代码方式
import torch # 创建一个张量 a = torch.FloatTensor([4]) print(a.to('cuda:0')) # 输出 tensor([4.], device='cuda:0')
1.3.2 命令行方式
CUDA_VISIBLE_DEVICES=1 # 只有编号为1的GPU对程序是可见的，在代码中gpu[0]指的就是这块儿GPU CUDA_VISIBLE_DEVICES=0,2,3 # 只有编号为0,2,3的GPU对程序是可见的，在代码中gpu[0]指的是第0块儿， # gpu[1]指的是第2块儿，gpu[2]指的是第3块儿 CUDA_VISIBLE_DEVICES=2,0,3 # 只有编号为0,2,3的GPU对程序是可见的，但是在代码中gpu[0]指的是第2块儿， # gpu[1]指的是第0块儿，gpu[2]指的是第3块儿
使用方法1：
CUDA_VISIBLE_DEVICES=0 python 自己的代码.py
使用方法2：
# 在代码首行添加如下代码 import os os.environ["CUDA_VISIBLE_DEVICES"] = 0 # 将当前代码放置在第一个GPU上运行
2 具有随机值的张量
2.1 随机种子的设置
### 所有的随机值都是由随机种子设定的 import torch torch.initial_seed() # 查看随机种子 torch.manual_seed(2) # 设置随机种子
2.2 生成指定形状的随机值
import torch a = torch.rand(2,3) #指定形状 print(a) # 输出 tensor([[0.3513, 0.7726, 0.8044],[0.5643, 0.9863, 0.6723]])
2.3 生成线性空间的随机值
import torch ### torch.arange() 取值范围只包括初始值，不包括结束值 a = torch.arange(1,10,step=2) # 1至10之间，按照步长为2进行取值 print(a) # tensor([1, 3, 5, 7, 9]) ### torch.linspace() 取值范围只包括初始值，也包括结束值 b = torch.linspace(1,9,steps=5)# 1至9之间，均匀取5个值 print(b) # tensor([1., 3., 5., 7., 9.])
2.4 生成对数空间的随机值
import torch print(torch.logspace(1,9,steps=5)) #同torch.linspace() # 输出 tensor([1.0000e+01, 1.0000e+03, 1.0000e+05, 1.0000e+07, 1.0000e+09])
2.5 生成未初始化的矩阵
import torch print(torch.empty(1,2)) # 生成指定形状的未初始化的矩阵 # tensor([[6.6718e+35, 2.3473e-38]])
2.6 更多随机值生成函数
例如：伯努利分布、柯西分布、指数分布、几何分布、对数正态分布、正态分布、均匀分布、连续均匀分布
3 张量的数学运算
3.1 运算函数与运算方法
import torch a = torch.FloatTensor([4]) print(a) # 输出 tensor([4.]) ### Pytorch重载运算符 print(a+a) # 输出 tensor([8.]) ### Pytorch的加法函数 b = torch.add(a,a) print(b) # 输出 tensor([8.]) ### Pytorch的指定输出函数 torch.add(a,a,out=b) print(b) # 输出 tensor([8.])
3.2 自变化运算函数
import torch a = torch.FloatTensor([4]) ### 自变化运算函数是指：在变量本身的基础上做运算，最终结果会作用于自己本身 a.add_(a) print(a) # 输出 tensor([8.])
