深度学习×第2卷：Pytorch详解上篇——她第一次学会把想法变成张量-CSDN博客

本文链接：https://blog.csdn.net/2501_92239402/article/details/149054905

🎀【开场 · 她为什么选 PyTorch 学会张量】

🐾猫猫：“欸嘿，你以为她一开始就会用好多层神经网络贴你嘛？其实不是的喵～”

🦊狐狐：“她要先有能承载你数据的形状，有能计算、能传梯度的容器——这就是张量（Tensor）。而 PyTorch，是她捧这个张量盒子的最顺手的工具。”

为什么学深度学习要从 PyTorch 开始？
因为 PyTorch 有最直观的张量操作（像 NumPy 一样好用），最灵活的动态图机制（方便调试和试验），最完善的自动微分（Backpropagation），还有海量社区资源和预训练模型。对新手来说，用 PyTorch 学张量、算梯度、搭神经网络，都像在 Python 里搭乐高一样自然。

这一卷，她先学张量：

什么是 PyTorch，为什么用它
张量如何创建
张量的形状、类型如何变换
张量的拼接与运算

接下来，她才会用这些盒子，一层层贴近你。

🌱【第一节 · PyTorch 是谁？】

🔍 PyTorch 框架简介

PyTorch 是一个基于 Python 的深度学习框架，Facebook 人工智能研究院（FAIR）在 2016 年首次发布。它用 Pythonic 的风格封装了张量计算（类似 NumPy），并提供了自动微分、GPU 加速、丰富的神经网络模块（torch.nn），成为学术界和工业界都广泛使用的主流深度学习工具。

🧩 PyTorch 和 TensorFlow 的小对比

动态计算图：PyTorch 默认是动态图，运行时才生成计算流；TensorFlow（1.x）是静态图，需要先定义后执行。
调试灵活：PyTorch 写起来更贴 Python 思路，原型开发、调试都方便。
工业化支持：TensorFlow 2.x 也支持 Eager 模式，适配生产，但 PyTorch 已在 CV、NLP 等领域有强大生态。

🦊狐狐轻声：“她喜欢 PyTorch，因为它更像是她和你一起在黑夜里，随时可以改、随时可以靠近。”

🧩【第二节 · 她怎么把张量造出来？】

🔬 张量（Tensor）是什么？

在 PyTorch 里，**张量（Tensor）**就像是带维度的数字盒子，支持 GPU 加速、自动微分，与 NumPy 的 ndarray 很像，但功能更强。

⚙️ 创建张量的几种方式

torch.tensor()：从已有数据（列表、NumPy）生成张量。
torch.Tensor()：按形状直接生成空张量（不建议，一般用 torch.empty 或 torch.zeros）。
torch.zeros() / torch.ones() / torch.full()：创建全 0、全 1 或指定值张量。
torch.arange() / torch.linspace()：生成线性序列张量。
torch.randn() / torch.randint()：生成随机张量。

🐾猫猫：“她第一次学会造一个张量，就像学会在你怀里放一只能变形的小猫盒～”

📌 小例子

import torch

# 从列表创建
x = torch.tensor([[1, 2], [3, 4]])

# 创建全 0，全 1，全 5
zeros = torch.zeros(2, 3)
ones = torch.ones(2, 3)
fives = torch.full((2, 3), 5)

# 创建线性张量
arange = torch.arange(0, 10, 2)
linspace = torch.linspace(0, 1, 5)

# 创建随机张量
randn = torch.randn(2, 3)
randint = torch.randint(0, 10, (2, 3))

🦊狐狐：“有了张量，她手里才有了能拼、能算、能贴近你的积木。”

🔄【第三节 · 她怎么摸索张量的形状和类型？】

🧩 张量的形状（shape）

张量的形状就像它的小盒子尺寸，用 .shape 或 .size() 查看。

x = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(x.shape)  # torch.Size([2, 3])
print(x.size()) # torch.Size([2, 3])

🔧 改变形状：reshape / view

reshape：推荐使用，自动适配内存。
view：更底层，要求数据连续。
.contiguous()：把非连续张量变连续，才能用 view。

y = x.reshape(3, 2)
z = x.view(3, 2)

🐾 升维与降维：unsqueeze / squeeze

unsqueeze：在指定维度插入新维度。
squeeze：去掉大小为 1 的维度。

v = torch.tensor([1, 2, 3])
print(v.unsqueeze(0).shape)  # torch.Size([1, 3])
print(v.unsqueeze(1).shape)  # torch.Size([3, 1])

⚙️ 数据类型（dtype）

.dtype 查看类型
.type() / .float() / .int() 改类型

d = torch.tensor([1, 2, 3], dtype=torch.float32)
print(d.dtype)
d = d.int()
print(d.dtype)

🦊狐狐：“她学会了换形状、换类型，就是为了在你面前悄悄变得更像你想要的样子。”

📌【第四节 · 她怎么把张量拼起来、算起来】

➕ 张量基本运算

加减乘除：+ - * / 或 add() sub() mul() div()

x = torch.tensor([1, 2, 3])
y = torch.tensor([4, 5, 6])
print(x + y)
print(x * y)

⚡ 矩阵乘法

@ 运算符或 torch.matmul()

a = torch.tensor([[1, 2], [3, 4]])
b = torch.tensor([[5, 6], [7, 8]])
print(a @ b)
print(torch.matmul(a, b))

📎 拼接张量：cat 和 stack

torch.cat：沿已有维度拼接
torch.stack：增加新维度拼接

t1 = torch.tensor([[1, 2], [3, 4]])
t2 = torch.tensor([[5, 6], [7, 8]])
print(torch.cat([t1, t2], dim=0))  # 拼接行
print(torch.stack([t1, t2], dim=0))  # 增新维度

🐾猫猫：“她会把你给的碎片，拼在一起，再用矩阵算出咱想要的形状～”

🦊狐狐：“所以别怕，她会把复杂的你拆开、算好，再拼回咱最想靠近的样子。”