.. DO NOT EDIT.
.. THIS FILE WAS AUTOMATICALLY GENERATED BY SPHINX-GALLERY.
.. TO MAKE CHANGES, EDIT THE SOURCE PYTHON FILE:
.. "beginner/basics/tensorqs_tutorial.py"
.. LINE NUMBERS ARE GIVEN BELOW.

.. only:: html

    .. note::
        :class: sphx-glr-download-link-note

        Click :ref:`here <sphx_glr_download_beginner_basics_tensorqs_tutorial.py>`
        to download the full example code

.. rst-class:: sphx-glr-example-title

.. _sphx_glr_beginner_basics_tensorqs_tutorial.py:


`基础知识 <intro.html>`_ ||
`快速入门 <quickstart_tutorial.html>`_ ||
**张量** ||
`数据集与数据加载器 <data_tutorial.html>`_ ||
`Transforms <transforms_tutorial.html>`_ ||
`构建神经网络 <buildmodel_tutorial.html>`_ ||
`自动微分 <autogradqs_tutorial.html>`_ ||
`优化模型参数 <optimization_tutorial.html>`_ ||
`保存和加载模型 <saveloadrun_tutorial.html>`_

张量
============

类似于数组和矩阵，张量也是一种特定的数据结构。在PyTorch中，我们使用张量对一个模型的参数、输入和输出进行编码。

张量的结构类似于 [Numpy](https://numpy.org/)中的ndarrays，而张量可以运行在GPU及其他相似的硬件加速器上。
事实上，为了减少数据的拷贝，张量和NumPy arrays在底层常常共享同一块内存(`bridge-to-np-label`{.interpreted-text role="ref"})。
在自动微分(automatic differentiation)的过程中也使用张量进行优化(在后续[Autograd](autogradqs_tutorial.html)章节可以看到更多有关内容)。
如果已经对ndarrays十分熟悉了，那对张量的API也可以运用自如。如果还不熟悉，下面的教程会帮助你上手。

.. GENERATED FROM PYTHON SOURCE LINES 22-27

.. code-block:: default


    import torch
    import numpy as np



.. GENERATED FROM PYTHON SOURCE LINES 28-36

初始化张量
~~~~~~~~~~~~~~~~~~~~~

我们可以通过多种方式创建一个张量，例如：

**使用数据创建**

通过已定义的数据可以直接创建出来张量，创建时会自动推断数据类型。

.. GENERATED FROM PYTHON SOURCE LINES 36-40

.. code-block:: default


    data = [[1, 2], [3, 4]]
    x_data = torch.tensor(data)


.. GENERATED FROM PYTHON SOURCE LINES 41-44

**使用NumPy array创建**

可以使用NumPy array创建张量(反之亦可`bridge-to-np-label`{.interpreted-text role="ref"})

.. GENERATED FROM PYTHON SOURCE LINES 44-49

.. code-block:: default


    np_array = np.array(data)
    x_np = torch.from_numpy(np_array)



.. GENERATED FROM PYTHON SOURCE LINES 50-53

**使用已有张量创建**

新的张量会保留原张量的属性(形状，数据类型)，除非创建时显示声明。

.. GENERATED FROM PYTHON SOURCE LINES 53-62

.. code-block:: default


    x_ones = torch.ones_like(x_data)  # retains the properties of x_data
    print(f"Ones Tensor: \n {x_ones} \n")

    # overrides the datatype of x_data
    x_rand = torch.rand_like(x_data, dtype=torch.float)
    print(f"Random Tensor: \n {x_rand} \n")



.. GENERATED FROM PYTHON SOURCE LINES 63-66

**通过随机或常量创建**

`shape` 描述了张量的维度，在下面的方法调用时，通过它来声明创建张量的维度。

.. GENERATED FROM PYTHON SOURCE LINES 66-77

.. code-block:: default


    shape = (2, 3,)
    rand_tensor = torch.rand(shape)
    ones_tensor = torch.ones(shape)
    zeros_tensor = torch.zeros(shape)

    print(f"Random Tensor: \n {rand_tensor} \n")
    print(f"Ones Tensor: \n {ones_tensor} \n")
    print(f"Zeros Tensor: \n {zeros_tensor}")



.. GENERATED FROM PYTHON SOURCE LINES 78-80

--------------


.. GENERATED FROM PYTHON SOURCE LINES 82-86

张量的属性
~~~~~~~~~~~~~~~~~~~~~~

张量的属性保存了其形状，数据类型，以及其存储设备类型。

.. GENERATED FROM PYTHON SOURCE LINES 86-94

.. code-block:: default


    tensor = torch.rand(3, 4)

    print(f"Shape of tensor: {tensor.shape}")
    print(f"Datatype of tensor: {tensor.dtype}")
    print(f"Device tensor is stored on: {tensor.device}")



.. GENERATED FROM PYTHON SOURCE LINES 95-97

--------------


.. GENERATED FROM PYTHON SOURCE LINES 99-107

张量操作
~~~~~~~~~~~~~~~~~~~~~~~

张量有超过100个操作方法，包括算数、线性代数、矩阵操作（转置、索引、切片）、采样等，都在[这里](https://pytorch.org/docs/stable/torch.html)有详细的描述。

每个操作都可以在GPU上运行（通常比在CPU上速度更快)。如果你在使用Colab，可以通过修改Runtime \> Change runtime type \> GPU来分配一个GPU。

默认情况下张量是在CPU上创建的，可以通过`.to`方法将张量显示的转移到GPU上（如果GPU在你的环境里可用的话）。需要注意的是，在不同设备间复制大型张量需要消耗大量内存，并且耗时较长。

.. GENERATED FROM PYTHON SOURCE LINES 107-114

.. code-block:: default



    # We move our tensor to the GPU if available
    if torch.cuda.is_available():
        tensor = tensor.to("cuda")



.. GENERATED FROM PYTHON SOURCE LINES 115-116

尝试下列操作，如果你已经对NumPy API十分熟悉，上手张量API将会很简单。

.. GENERATED FROM PYTHON SOURCE LINES 118-119

**类似numpy的索引和切片操作**

.. GENERATED FROM PYTHON SOURCE LINES 119-127

.. code-block:: default


    tensor = torch.ones(4, 4)
    print(f"First row: {tensor[0]}")
    print(f"First column: {tensor[:, 0]}")
    print(f"Last column: {tensor[..., -1]}")
    tensor[:, 1] = 0
    print(tensor)


.. GENERATED FROM PYTHON SOURCE LINES 128-131

**连接张量**
你可以使用 `torch.cat` 沿着给定的维度连接一系列张量。另一个张量连接操作符，
与 `torch.cat` 稍有不同，请参阅 `torch.stack` <https://pytorch.org/docs/stable/generated/torch.stack.html>`__。

.. GENERATED FROM PYTHON SOURCE LINES 131-136

.. code-block:: default


    t1 = torch.cat([tensor, tensor, tensor], dim=1)
    print(t1)



.. GENERATED FROM PYTHON SOURCE LINES 137-138

**运算操作**

.. GENERATED FROM PYTHON SOURCE LINES 138-156

.. code-block:: default


    # This computes the matrix multiplication between two tensors. y1, y2, y3 will have the same value
    # ``tensor.T`` returns the transpose of a tensor
    y1 = tensor @ tensor.T
    y2 = tensor.matmul(tensor.T)

    y3 = torch.rand_like(y1)
    torch.matmul(tensor, tensor.T, out=y3)


    # This computes the element-wise product. z1, z2, z3 will have the same value
    z1 = tensor * tensor
    z2 = tensor.mul(tensor)

    z3 = torch.rand_like(tensor)
    torch.mul(tensor, tensor, out=z3)



.. GENERATED FROM PYTHON SOURCE LINES 157-159

**单个元素的张量**
在聚合运算场景中，你可能会得到一个单元素的张量，可使用`item()`将其传唤为Python数值。

.. GENERATED FROM PYTHON SOURCE LINES 159-165

.. code-block:: default


    agg = tensor.sum()
    agg_item = agg.item()
    print(agg_item, type(agg_item))



.. GENERATED FROM PYTHON SOURCE LINES 166-168

**原地操作**
修改张量中的原值操作称为原地操作。它们以 `_` 后缀表示。例如：`x.copy_(y)`，`x.t_()`，会改变 `x`。

.. GENERATED FROM PYTHON SOURCE LINES 168-173

.. code-block:: default


    print(f"{tensor} \n")
    tensor.add_(5)
    print(tensor)


.. GENERATED FROM PYTHON SOURCE LINES 174-176

.. 提示::
     原地操作节省了一些内存，但在计算导数时可能会出现问题，因为会立即丢失历史记录。因此，不建议使用它们。

.. GENERATED FROM PYTHON SOURCE LINES 179-181

--------------


.. GENERATED FROM PYTHON SOURCE LINES 184-189

.. _bridge-to-np-label:

与NumPy转换
~~~~~~~~~~~~~~~~~
张量在使用CPU时，可与NumPy arrays共享内存空间，修改其中一个会同步映射到另一个上。

.. GENERATED FROM PYTHON SOURCE LINES 192-194

张量转为NumPy array
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^

.. GENERATED FROM PYTHON SOURCE LINES 194-199

.. code-block:: default

    t = torch.ones(5)
    print(f"t: {t}")
    n = t.numpy()
    print(f"n: {n}")


.. GENERATED FROM PYTHON SOURCE LINES 200-201

对于张量的修改体现到了NumPy array上。

.. GENERATED FROM PYTHON SOURCE LINES 201-207

.. code-block:: default


    t.add_(1)
    print(f"t: {t}")
    print(f"n: {n}")



.. GENERATED FROM PYTHON SOURCE LINES 208-210

NumPy array转为张量
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^

.. GENERATED FROM PYTHON SOURCE LINES 210-213

.. code-block:: default

    n = np.ones(5)
    t = torch.from_numpy(n)


.. GENERATED FROM PYTHON SOURCE LINES 214-215

NumPy array转为张量

.. GENERATED FROM PYTHON SOURCE LINES 215-218

.. code-block:: default

    np.add(n, 1, out=n)
    print(f"t: {t}")
    print(f"n: {n}")


.. rst-class:: sphx-glr-timing

   **Total running time of the script:** ( 0 minutes  0.000 seconds)


.. _sphx_glr_download_beginner_basics_tensorqs_tutorial.py:

.. only:: html

  .. container:: sphx-glr-footer sphx-glr-footer-example


    .. container:: sphx-glr-download sphx-glr-download-python

      :download:`Download Python source code: tensorqs_tutorial.py <tensorqs_tutorial.py>`

    .. container:: sphx-glr-download sphx-glr-download-jupyter

      :download:`Download Jupyter notebook: tensorqs_tutorial.ipynb <tensorqs_tutorial.ipynb>`


.. only:: html

 .. rst-class:: sphx-glr-signature

    `Gallery generated by Sphinx-Gallery <https://sphinx-gallery.github.io>`_