前言

本教程参考书籍《深度学习入门之pytorch》
-----关于pytorch的优点这里不再说明，毕竟现在的主流仍然是TensorFlow。
1、环境配置可到pytorch官网搜索下载包的pip或conda指令，然后用cmd安装就行。前提是电脑里已经安装了pip或者conda并配置了相应的环境变量。
2、学习之前最好先了解python的numpy和matplotlib包，不过也可以边学边查一下相关用法
3、代码中使用包定义如下：

import torch
import numpy as np
import matplotlib.pyplot as pltfrom torch.autograd import Variable

Tensor(张量)

tensor的数据类型：32 位浮点型 torch.Float Tensor、 64 位浮点型 torch.DoubleTensor、 16 位整型 torch.Shor tTensor、 32 位 整型 torch.lntTensor 和 64 位整型 torch.LongTensor, torch.Tensor 默认的是 torch.FloatTensor 数据类型。
·定义一个tensor:

1 a = torch. Tensor ( [ [2 , 3], [ 4 , 8], [7, 9 ] ] )#定义一个tensor变量 
2 print ( 'a is: {}'. format (a) ) #一种输出方式：{}的内容为format括号里的内容
3 print('a size is {}'.format(a.size())) #输出矩阵的维度

·其他常用方式定义tensor矩阵：

x = torch. LongTensor ( [ [2 , 3 ] [ 4 , 8 ] [7, 9] ]) #64位整型的tensor
x = torch.zeros((3, 2)) #定义（3，2）的零矩阵
x = torch.randn((3, 2)) #定义（3，2）的正态分布随机矩阵
x = torch.ones(2,2) #构建数值均为1的矩阵
x = torch.eye(3,3) #构建对角线为一的矩阵

·矩阵的数据类型转化：

a = torch. Tensor ( [ [2 , 3], [ 4 , 8], [7, 9 ] ] )
a = a.float() # 转为FloatTensor
a = a.double() # 转为DoubleTensor
a = a.short() # 转为ShortTensor
a = a.int() # 转为IntTensor
a = a.long() # 转为LongTensor

·tensor与numpy的转化（某些包（如matplotlib）只识别numpy的矩阵）：

a = torch. Tensor ( [ [2 , 3], [ 4 , 8], [7, 9 ] ] ) #a为tensor型
b = np.array(a) # b为numpy型
c = torch.from_numpy(b) # c为tensor型

Variable (变量)

Variable就是变量, Variable 提供了自动求导的功能。Variable 和 Tensor 本质上没有区别，不过 Variable 会被放入一个汁算图中，然后进行前向传播，反向传播，自动求导（神经网络基本的需求）。
·自动求导：

1 # Create Varìable 
2 X = Variable(torch.Tensor( [1] ) , requires_grad=True) 
3 W = Variable(torch.Tensor( [2] ) , requires_grad=True) 
4 b = Variable(torch.Tensor( [3] ) , requires_grad=True) 
#requires_grad=True ，这个参数表示是否 对这个变量求梯度，默认的是 Fa!se ，也就是不对这个变量求梯度，这里我们希望得到 这些变量的梯度，所以需要传入这个参数。5 Y = W * X + b   #y=2*x + 3 
6 Y.backward()   # y函数反向传递、自动求导
#x、w、b在x = 1、w = 2、b=3下的对x w b 的导数
7 print (X.grad)  #x. grad = 2 
8 print (W.grad) #w.grad = 1 
9 print (b.grad)  #b .grad =1

·对矩阵求导：

x = torch.randn(3)
x = Variable(x , requires_grad = True)y = x * 2
print(y)y.backward(torch.tensor([1, 0.1, 0.01]))
print(x.grad)
#相当于给出了一个三维向量去做运算，这时候得到的结果 ν 就是一个向量
#这里对这个向量求导就不能直接写成 y.backward()，这样程序是会报错的。 这个时候需 要传入参数声明，比如 y.backward(torch.FloatTensor 1，1， 1) )).
#这样得到的 结果就是它们每个分量的梯度，或者可以传入 y.backward(torch.FloatTensor( [1， 0.1 ， 0. 01] )) ，这样得到的梯度就是它们原本的梯度分别乘上 1 ， 0.1 和 0.01。