ADSL拨号VPS包含了中国大陆（联通，移动，电信，）

中国香港，国外拨号VPS。

Pytorch里面处理的最基本的操作对象就是Tensor（张量），它表示的其实就是一个多维矩阵，并有矩阵相关的运算操作。在使用上和numpy是对应的，它和numpy唯一的不同就是，pytorch可以在GPU上运行，而numpy不可以。所以，我们也可以使用Tensor来代替numpy的使用。当然，二者也可以相互转换。

Tensor的基本数据类型有五种：

32位浮点型：torch.FloatTensor。pyorch.Tensor()默认的就是这种类型。 64位整型：torch.LongTensor。 32位整型：torch.IntTensor。 16位整型：torch.ShortTensor。 64位浮点型：torch.DoubleTensor。

那么如何定义Tensor张量呢？其实定义的方式和numpy一样，直接传入相应的矩阵即可即可。下面就定义了一个三行两列的矩阵：

import torch# 导包 a = torch.Tensor([[1, 2], [3, 4], [5, 6]])print(a)

不过在项目之中，更多的做法是以特殊值或者随机值初始化一个矩阵，就像下面这样：

import torch # 定义一个3行2列的全为0的矩阵b = torch.zeros((3, 2)) # 定义一个3行2列的随机值矩阵c = torch.randn((3, 2)) # 定义一个3行2列全为1的矩阵d = torch.ones((3, 2)) print(b)print(c)print(d)

Tensor和numpy.ndarray之间还可以相互转换，其方式如下：

Numpy转化为Tensor：torch.from_numpy(numpy矩阵) Tensor转化为numpy：Tensor矩阵.numpy()

范例如下：

import torchimport numpy as np # 定义一个3行2列的全为0的矩阵b = torch.randn((3, 2)) # tensor转化为numpynumpy_b = b.numpy()print(numpy_b) # numpy转化为tensornumpy_e = np.array([[1, 2], [3, 4], [5, 6]])torch_e = torch.from_numpy(numpy_e) print(numpy_e)print(torch_e)

之前说过，numpy与Tensor最大的区别就是在对GPU的支持上。Tensor只需要调用cuda()函数就可以将其转化为能在GPU上运行的类型。

我们可以通过torch.cuda.is_available()函数来判断当前的环境是否支持GPU，如果支持，则返回True。所以，为保险起见，在项目代码中一般采取“先判断，后使用”的策略来保证代码的正常运行，其基本结构如下：

import torch # 定义一个3行2列的全为0的矩阵tmp = torch.randn((3, 2)) # 如果支持GPU，则定义为GPU类型if torch.cuda.is_available():  inputs = tmp.cuda()# 否则，定义为一般的Tensor类型else:  inputs = tmp

2）Variable(变量)

Pytorch里面的Variable类型数据功能更加强大，相当于是在Tensor外层套了一个壳子，这个壳子赋予了前向传播，反向传播，自动求导等功能，在计算图的构建中起的很重要的作用。Variable的结构图如下：

其中最重要的两个属性是：data和grad。Data表示该变量保存的实际数据，通过该属性可以访问到它所保存的原始张量类型，而关于该 variable（变量）的梯度会被累计到.grad 上去。

在使用Variable的时候需要从torch.autograd中导入。下面通过一个例子来看一下它自动求导的过程：

import torchfrom torch.autograd import Variable # 定义三个Variable变量x = Variable(torch.Tensor([1, 2, 3]), requires_grad=True)w = Variable(torch.Tensor([2, 3, 4]), requires_grad=True)b = Variable(torch.Tensor([3, 4, 5]), requires_grad=True) # 构建计算图，公式为：y = w * x^2 + by = w * x * x + b # 自动求导，计算梯度y.backward(torch.Tensor([1, 1, 1])) print(x.grad)print(w.grad)print(b.grad)

上述代码的计算图为y = w * x^2 + b。对x, w, b分别求偏导为：x.grad = 2wx，w.grad=x^2，b.grad=1。代值检验可得计算结果是正确的。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。

(责任编辑：admin)