创建tensor

x = torch.empty(*sizes)　　#创建一个未初始化的tensor（后面用torch.nn.init中的一些函数进行初始化）

>>> torch.empty(2, 3) tensor(1.00000e-08 *  [[ 6.3984, 0.0000, 0.0000],  [ 0.0000, 0.0000, 0.0000]])

x = torch.rand(5, 3)　　#返回一个范围为[0,1)、size为5*3的矩阵

tensor([[0.3380, 0.3845, 0.3217],
        [0.8337, 0.9050, 0.2650],
        [0.2979, 0.7141, 0.9069],
        [0.1449, 0.1132, 0.1375],
        [0.4675, 0.3947, 0.1426]])

x = torch.zeros(5, 3, dtype=torch.long)

tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])

x = torch.ones(5, 3, dtype=torch.double)

tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)

x = torch.tensor([5.5, 3])　　#Construct a tensor directly from data

tensor([5.5000, 3.0000])

tensor运算

torch.mm(tensor1, tensor2, out=None)　　#tensor的矩阵乘法matrix multiplication 

torch.mul(tensor1, tensor2, out=None)　　#tensor的点乘Hadamard product

tensor相关操作

x.size()　　#取tensor的size，返回的是tuple

z = x.view(–1, 8)　　#和reshape功能一样，只是参数少了一层括号

x = x.clamp(min, max)　　#取最大最小值，和numpy.clip(a, a_min, a_max, out=None)类似

torch.max()

　　torch.max(Tensor)　　#对所有元素，取最大值，返回只有一个数的tensor

　　torch.max(input, dim, keepdim=False, out=None)　　#对dim维度上的元素取最大值，返回两个tensor，第一个是dim上的最大值，第二个是最大值所在的位置(argmax)

torch.cat(seq, dim=0, out=None)　　#concatenate，功能和numpy.concatenate((a1, a2, …), axis=0, out=None)一样，格式也恰好一样

　　一个技巧：inputs = torch.cat(inputs).view(len(inputs), 1, -1)　　#先cat再view（reshape）

torch.stack( (a,b,c) ,dim = 2)　　#建立一个新的维度，然后再在该纬度上进行拼接

　　torch.stack VS torch.cat：cat是在已有的维度上拼接，而stack是建立一个新的维度，然后再在该纬度上进行拼接。

　　用其实现 x.append(in_tensor) 的功能：先构造已经append好的x（此时x为list），然后x = torch.stack(x, dim = 0)

　　可参考 https://blog.csdn.net/Teeyohuang/article/details/80362756

torch.unsqueeze(input, dim, out=None)　　#给input（一个tensor）在dim维度上增加一个维度

>>> x = torch.tensor([1, 2, 3, 4]) >>> torch.unsqueeze(x, 0) tensor([[ 1, 2, 3, 4]]) >>> torch.unsqueeze(x, 1) tensor([[ 1],  [ 2],  [ 3],  [ 4]])

b = a.numpy()　　#torch tensor转numpy array

b = torch.from_numpy(a)　　#numpy array转torch tensor（两种转都是没有复制，而是直接引用的）

tensor_a , idx_sort = torch.sort(tensor_a, dim=0, descending=True)　　#tensor排序，返回排序后的tensor和下标

tensor求导

x = torch.ones(2, 2, requires_grad=True)　　#创建时设置requires_grad为True，将x看成待优化的参数（权重）

model.zero_grad()　　#将每个权重的梯度清零（因为梯度会累加）

optimizer.zero_grad()　　#当optimizer=optim.Optimizer(model.parameters())时，其与model.zero_grad()等效

loss.backward()　　#求导，即对loss进行back propagation

optimizer.step()　　#在back propagation后更新参数

定义神经网络：

1. 定义网络架构（模型的forward，通常用一个继承自torch.nn.Module的类）

　　__init__()：将nn实例化（每一个nn都是一个类），参数自己定义

　　forward(self, x)：模型的forward，参数x为模型输入

　　self.add_module(“conv”, nn.Conv2d(10, 20, 4))　　# self.conv = nn.Conv2d(10, 20, 4) 和这个增加module的方式等价

　　torch.nn.Embedding(num_embeddings, embedding_dim, …)　　#是一个矩阵类，里面初始化了一个随机矩阵，矩阵的长是字典的大小，宽是用来表示字典中每个元素的属性向量，向量的维度根据你想要表示的元素的复杂度而定。类实例化之后可以根据字典中元素的下标来查找元素对应的向量。 

2. 定义输入输出

3. 定义loss（如果用nn需要实例化才定义，否则用functional直接在训练中用）

4. 定义优化器

训练：

1. 初始化，如model.zero_grad()将一些参数初始化为0

2. 准备好输入

3. 将模型设置为train模式

4. 将模型forward

5. 计算loss和accuracy

6. back propagation并计算权重的梯度

7. 做validation

8. 打印Epoch、loss、acc、time等信息

（不一定所有步骤都有，可以看情况省略部分）

验证或测试：

1. 准备好输入

2. 将模型设置为eval模式

3. 将模型forward

4. 计算loss和accuracy

5. 打印loss、acc等信息

（train和test相比，主要多了bp相关的，包括zero_grad()和backward()等）

torch.max(input, dim, keepdim=False, out=None)