pytorch基本语法

PyTorch是一个基于Python的科学计算库，它提供了丰富的工具和函数来构建和训练深度学习模型。下面是一些PyTorch的基本语法：

1. 创建Tensor：
- 使用torch.empty()创建一个未初始化的张量。
- 使用torch.rand()创建一个随机初始化的张量。
- 使用torch.zeros()创建一个全0的张量。
- 使用torch.tensor()从Python列表或NumPy数组创建张量。
- 使用new_ones()创建一个全1的张量。
- 使用shape/size()获取张量的形状和大小。

2. 算术操作：
- 使用torch.add()进行张量相加。
- 使用torch.sub()进行张量相减。
- 使用torch.mul()进行张量相乘。
- 使用torch.div()进行张量相除。
- 使用torch.mm()、torch.matmul()或@进行矩阵相乘。
- 使用.pow(2)进行张量元素的平方。
- 使用.sqrt()计算张量元素的平方根。
- 使用torch.exp()计算张量元素的指数。
- 使用torch.log()计算张量元素的对数。
- 其他常用的数学运算。

3. 索引：
可以使用索引操作符 [] 来访问张量的特定元素或范围。

4. 改变形状：
- 使用view()改变张量的形状。
- 使用clone()或reshape()创建张量的副本或改变形状。
- 使用item()将张量转换为Python标量。

5. 线性代数：
PyTorch提供了一系列线性代数操作，如矩阵乘法、矩阵求逆等。

6. 广播机制：
PyTorch支持广播机制，它可以自动处理形状不同但可以进行元素级操作的张量。

7. Tensor和Numpy转换：
- 使用torch.from_numpy()将NumPy数组转换为张量。
- 使用torch.Tensor.numpy()将张量转换为NumPy数组。

8. 在GPU上操作：
PyTorch可以在GPU上执行张量操作，以加速计算。