深度学习框架之一，学习掌握其使用很有必要。

在colab的GPU环境中运行。

#torch引入
import torch

在pytorch中，通常都使用tensor（张量）来编码模型的输入输出。tensor是和数组及矩阵非常相似的一种数据结构，而与Numpy的ndarrays也非常类似。

（1) 利用固定常数或随机初始化

shape = (2,3,)#指定大小
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)

print(f"Random Tensor: \n {rand_tensor} \n")
print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor}")

output:

Random Tensor: 
 tensor([[0.0203, 0.2768, 0.8346],
        [0.6779, 0.1749, 0.3858]]) 

Ones Tensor: 
 tensor([[1., 1., 1.],
        [1., 1., 1.]]) 

Zeros Tensor: 
 tensor([[0., 0., 0.],
        [0., 0., 0.]])

（2）查看tensor的各个属性

tensor.shape 查看大小
tensor.dtype 查看数据类型
tensor.device 查看存储位置

（3）tensor的各类操作

1. tensor.to 修改tensor存放位置至GPU

   if torch.cuda.is_available():
   tensor = tensor.to('cuda')
   

2. tensor.cat tensor拼接 （dim=1按行 dim=0按列）

   t1 = torch.cat([torch.zeros(3,3), torch.ones(3,3)], dim=1)
   t2 = torch.cat([torch.zeros(3,3), torch.ones(3,3), ], dim=0)
   

3. tensor * tensor 或 tensor.mul(tensor) 点乘
4. tensor @ tensor.T 或 tensor.matmul(tensor.T) 矩阵乘法
5. 下划线_ 操作后面跟下划线表示左边的变量会被修改

   tensor = torch.ones(3,3)
   tensor.add_(5)
   print(tensor)
   

   output:

   tensor([[6., 6., 6.],
       [6., 6., 6.],
       [6., 6., 6.]])
       ```
   

在训练神经网络的过程中包括前向传播和反向传播两个步骤。
在前向传播的过程中：神经网络将输入数据通过一系列含参函数的运算，计算出一个对真实值的估计值。
在反向传播的过程中：神经网络将调整上述函数中的参数，使得真实值与估计值之间的误差减小。调整的步骤是从后向前进行遍历，得到误差关于参数的导数，再利用随机梯度下降来优化参数。

（1）从torchvision中加载一个预训练的resnet18模型（一种网络结构），初始化输入data和标签labels。
resnet18是一种计算机视觉中的网络结构，输入要求是3通道的图像（64643），但模型的输入要求是小批量（mini-batch)的一系列样本而不是单个样本，所以输入要是一个4D的tensor,结构为（nSamples x nChannels x Height x Width)

import torch, torchvision
model = torchvision.models.resnet18(pretrained=True)
data = torch.rand(1, 3, 64, 64)
labels = torch.rand(1, 1000)

（2）进行前向传播。（预训练的模型里已经初始化了各参数）

（3）计算Loss损失，并在error tensor上启动反向传播

loss = (prediction - labels).sum()
loss.backward()

（4）在随机梯度下降的优化器(学习率为0.1，momentum为0.9）中加载所有模型参数，并开始优化

optim = torch.optim.SGD(model.parameters(), lr=0.01, momentum = 0.9)
optim.step()

现在，你已经拥有了训练神经网络所需的一切。
剩余部分会在下节中继续补充。