目录
一、前言
ChatGPT：
PyTorch是一个开源的机器学习框架，广泛应用于深度学习领域。它提供了丰富的工具和库，用于构建和训练各种类型的神经网络模型。下面是PyTorch的一些详细介绍：
动态计算图：PyTorch使用动态计算图的方式进行计算，这意味着在运行时可以动态地定义、修改和调整计算图，使得模型的构建和调试更加灵活和直观。
强大的GPU加速支持：PyTorch充分利用GPU进行计算，可以大幅提升训练和推理的速度。它提供了针对GPU的优化操作和内存管理，使得在GPU上运行模型更加高效。
自动求导：PyTorch内置了自动求导的功能，可以根据定义的计算图自动计算梯度。这简化了反向传播算法的实现，使得训练神经网络模型更加便捷。
大量的预训练模型和模型库：PyTorch生态系统中有许多预训练的模型和模型库可供使用，如TorchVision、TorchText和TorchAudio等，可以方便地加载和使用这些模型，加快模型开发的速度。
高级抽象接口：PyTorch提供了高级抽象接口，如
nn.Module和nn.functional，用于快速构建神经网络模型。这些接口封装了常用的神经网络层和函数，简化了模型的定义和训练过程。支持分布式训练：PyTorch支持在多个GPU和多台机器上进行分布式训练，可以加速训练过程，处理大规模的数据和模型。
总体而言，PyTorch提供了一个灵活而强大的平台，使得深度学习的研究和开发更加便捷和高效。它的简洁的API和丰富的功能使得用户可以快速实现复杂的神经网络模型，并在各种任务中取得优秀的性能。
二、实验环境
本系列实验使用如下环境
conda create -n DL python=3.7 conda activate DLpip install torch==1.8.1+cu102 torchvision==0.9.1+cu102 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html
conda install matplotlib关于配置环境问题，可参考前文的惨痛经历：
三、PyTorch数据结构
0、分类
- Tensor（张量）：Tensor是PyTorch中最基本的数据结构，类似于多维数组。它可以表示标量、向量、矩阵或任意维度的数组。
- Tensor的操作：PyTorch提供了丰富的操作函数，用于对Tensor进行各种操作，如数学运算、统计计算、张量变形、索引和切片等。这些操作函数能够高效地利用GPU进行并行计算，加速模型训练过程。
- Variable（变量）：Variable是对Tensor的封装，用于自动求导。在PyTorch中，Variable会自动跟踪和记录对其进行的操作，从而构建计算图并支持自动求导。在PyTorch 0.4.0及以后的版本中，Variable被废弃，可以直接使用Tensor来进行自动求导。
- Dataset（数据集）：Dataset是一个抽象类，用于表示数据集。通过继承Dataset类，可以自定义数据集，并实现数据加载、预处理和获取样本等功能。PyTorch还提供了一些内置的数据集类，如MNIST、CIFAR-10等，用于方便地加载常用的数据集。
- DataLoader（数据加载器）：DataLoader用于将Dataset中的数据按批次加载，并提供多线程和多进程的数据预读功能。它可以高效地加载大规模的数据集，并支持数据的随机打乱、并行加载和数据增强等操作。
- Module（模块）：Module是PyTorch中用于构建模型的基类。通过继承Module类，可以定义自己的模型，并实现前向传播和反向传播等方法。Module提供了参数管理、模型保存和加载等功能，方便模型的训练和部署。
1、张量（Tensor）
https://blog.csdn.net/m0_63834988/article/details/132909219?spm=1001.2014.3001.55012、张量操作（Tensor Operations）
PyTorch提供了丰富的操作函数，用于对Tensor进行各种操作，如数学运算、统计计算、张量变形、索引和切片等。这些操作函数能够高效地利用GPU进行并行计算，加速模型训练过程。
1. 数学运算
2. 统计计算
3. 张量变形
4. 索引和切片
在PyTorch中，可以使用索引和切片操作来访问和修改张量的特定元素或子集。
-
使用索引访问单个元素
使用方括号和索引值来访问张量中的单个元素。索引值从0开始，并沿着每个维度进行指定。
import torch
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(x[0, 1]) # 访问第0行、第1列的元素输出：
tensor(2)-
使用切片访问子集
可以使用冒号（:）进行切片操作，以访问张量的子集。冒号可以用来指定起始索引、结束索引和步长。
import torch
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(x[:, 1:]) # 访问所有行的第1列及之后的元素输出：
tensor([[2, 3],
[5, 6]])-
使用索引和切片进行修改
可以使用索引和切片操作来修改张量中的特定元素或子集。
import torch
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
x[0, 1] = 9 # 修改第0行、第1列的元素为9
print(x)输出：
tensor([[1, 9, 3],
[4, 5, 6]])-
布尔索引（Boolean indexing）
使用布尔张量作为索引，可以选择与布尔张量中相应位置为True的元素。布尔张量的形状必须与被索引的张量的形状相匹配。
import torch
tensor = torch.tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
# 使用布尔索引选择元素
bool_index = tensor[tensor > 5]
print("布尔索引选择的元素：", bool_index)
输出:
tensor([6, 7, 8, 9])-
高级切片（Advanced slicing）
除了基本的切片操作外，还可以使用逗号将多个切片组合在一起，实现对不同维度的切片操作。
import torch
tensor = torch.tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
# 使用高级切片选择子集
advanced_slice = tensor[1:, ::2]
print("高级切片选择的子集：\n", advanced_slice)输出:
tensor([[4, 6],
[7, 9]])使用高级切片选择了张量中从第二行开始到最后一行的子集，并且每隔一列选择一个元素。
