pytorch笔记整理（一）

一、基本概念类
1、与numpy有关
1、tensor与numpy转换
PS:转换后的tensor与numpy指向同一地址，所以，对一方的值改变另一方也随之改变
（1）tensor初始化，与numpy的使用方法相同

a = torch.ones(5)
print(a)
输出
tensor([1., 1., 1., 1., 1.])

（2）tensor to numpy
b = a.numpy()
print(b)
输出
[1. 1. 1. 1. 1.]
a.add_(1)
print(a)        # tensor([2., 2., 2., 2., 2.])
（3）numpy to tensor
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
c = torch.add
print(a)
print(b)
输出
[2. 2. 2. 2. 2.]
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
除chartensor外所有tensor都可以转换为numpy

2、ToTensor：
convert a PIL image to tensor (H,W,C) in range [0,255] to a torch.Tensor(C,H,W) in the range [0.0,1.0]

tensor = transforms.ToTensor(image)


注意：当然这个图像可以是Image读取的；也可以使用opencv读取。而后者需要将读取的图像颜色通道需要从BGR转换为RGB格式。不知道为什么，虽然使用的效果相近，但两则的转换结果并不是完全一样的。

3、维度扩充
大多数模型的输入维度都是(B,C,W,H)，但我们使用单张图片测试模型效果时，只有(C,W,H)三个通道的数据，此时，则需要扩充数据维度，代码如下：

"""
src-(C,W,H)
des-(B,C,W,H)
"""
des= Variable(torch.unsqueeze(src, dim=0).float(), requires_grad=False)

请问楼主为什么学习pytorchN呢？tensorflow似乎在应用上更普及，正在纠结中。。。