一、前言

ChatGPT：

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 DL

pip 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：

Anaconda搭建深度学习环境py 3.7：tensorflow-gpu2.3.0、pytorch1.12.1_gpu版本；（使用conda下载cuda和cudnn）；配置环境经验总结_anaconda下载tensorflow_QomolangmaH的博客-CSDN博客https://blog.csdn.net/m0_63834988/article/details/128841527?spm=1001.2014.3001.5502

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）

1. 维度（Dimensions）

2. 数据类型（Data Types）

【深度学习】Pytorch 系列教程（一）：PyTorch数据结构：1、Tensor（张量）：维度（Dimensions）、数据类型（Data Types）_QomolangmaH的博客-CSDN博客https://blog.csdn.net/m0_63834988/article/details/132909219?spm=1001.2014.3001.5501

3. GPU加速（GPU Acceleration）

在PyTorch中，可以使用GPU加速来进行张量计算。GPU（图形处理器）是一种强大的硬件设备，可以并行处理大量数据，加速深度学习任务的执行。

要在GPU上执行张量计算，首先需要确保您的系统具有兼容的GPU并安装了相应的GPU驱动程序和CUDA（Compute Unified Device Architecture）工具包。接下来，您可以使用以下步骤将张量移动到GPU上：

import torch

# 检查GPU是否可用
if torch.cuda.is_available():
    # 创建一个张量并将其移动到GPU上
    tensor = torch.tensor([1, 2, 3])
    tensor = tensor.to('cuda')
    print(tensor)

    # 进行张量计算
    result = tensor * 2
    print(result)

    # 将张量移回CPU
    result = result.to('cpu')
    print(result)
else:
    print("GPU不可用")

在上述代码中，我们首先使用torch.cuda.is_available()检查GPU是否可用。如果可用，我们创建了一个包含整数值的张量，并使用to('cuda')方法将其移动到GPU上。然后，我们可以在GPU上执行张量计算。最后，我们可以使用to('cpu')将张量移回CPU，以便在CPU上进行后续处理。

请注意，所有涉及张量操作的步骤都需要在同一个设备上执行，否则会引发错误。在执行计算之前，确保将所有张量移动到所需的设备上。