PyTorch入门(一)--PyTorch基础

1. PyTorch与TensorFlow的区别

PyTorch和TensorFlow的底层都是由C++编写的， 所以运行起来都比较快，那么二者的区别是什么呢？以一个基本的运算为例：

a = x*y;
b = a + z;
c = ∑(b);

该运算的运算图为：

TensorFlow的实现代码为：

PyTorch的实现代码为：

二者最大的区别是：

• TensorFlow是先生成静态运算图，然后在进行运算，而且运算图是静态的，一经生成无法更改。
• PyTorch生成的运算图是动态的，可以一边生成动态运算图，一边进行运算
  详细的区别入下图所示：
  

2. PyTorch基本数学形式

神经网络最核心的部分就是数学运算，在PyTorch中最基本的数学形式有三个：

• 向量(Vector): 一列数
• 矩阵(Matrix): “二维向量”
• 张量(Tensor): “三维向量”或者“三维矩阵”
  神经网络的核心部分是向量、矩阵、张量之间的相乘与相加。
  在PyTorch中生成三种数学形式的代码如下所示：

# 导入torch包
import torch

#定义向量
vector = torch.tensor([1,2,3,4])

#定义矩阵
matrix = torch.tensor([[1,2],[3,4]])

#定义张量
tensor = torch.tensor([[[1,2],[3,4]],[[1,2],[3,4]]])

3. 关于Tensor

Tensor是PyTorch中重要的数据结构，可认为是一个高维数组。Tensor和numpy的ndarrays类似，但是Tensor可以使用GPU加速。需要注意的是，Tensor和numpy对象共享内存，所以他们之间的转换很快，而且几乎不会消耗资源。这意味着，如果其中一个变了，另外一个也会随之改变。
PyTorch中新建的Tensor方法有很多，具体为：

Tensor有不同的数据类型，如下表所示：

对于tensor的常用逐元素操作如下表所示：

对于tensor的常用归并操作如下表所示：