Pytorch学习-Day 3:张量高级操作（张量svd）

以下是 PyTorch 第3天学习任务的示例代码，涵盖张量形状变换（view 和 reshape）、广播机制以及 GPU 加速的实现。代码中包含详细注释，帮助理解每个部分的功能，并完成任务：将张量移动到 GPU 并计算两个张量的矩阵乘法。

python

# 示例代码：PyTorch Day 3 - 张量高级操作

# 导入 PyTorch 库
import torch

# 检查 GPU 是否可用
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"当前设备: {device}")

# 1. 张量形状变换（view 和 reshape）
def tensor_shape_transform():
    # 创建一个 3x4 的张量
    x = torch.arange(12).float()  # 生成 0 到 11 的张量，转换为浮点型
    print("原始张量 x:")
    print(x)
    print(f"x 的形状: {x.shape}")  # torch.Size([12])

    # 使用 view 变换形状（要求元素总数不变）
    x_view = x.view(3, 4)  # 变换为 3x4
    print("\n使用 view 变换后的 x:")
    print(x_view)
    print(f"x_view 的形状: {x_view.shape}")  # torch.Size([3, 4])

    # 使用 reshape 变换形状（更灵活，可自动推导维度）
    x_reshape = x.reshape(2, -1)  # -1 表示自动计算此维度，变为 2x6
    print("\n使用 reshape 变换后的 x:")
    print(x_reshape)
    print(f"x_reshape 的形状: {x_reshape.shape}")  # torch.Size([2, 6])

# 2. 广播机制（Broadcasting）
def tensor_broadcasting():
    # 创建两个形状不同的张量
    a = torch.tensor([[1, 2, 3]])  # 形状: 1x3
    b = torch.tensor([[4], [5], [6]])  # 形状: 3x1
    print("\n张量 a:")
    print(a)
    print(f"a 的形状: {a.shape}")
    print("张量 b:")
    print(b)
    print(f"b 的形状: {b.shape}")

    # 广播机制自动扩展维度并进行逐元素相加
    c = a + b  # 结果形状为 3x3
    print("\n广播后 a + b 的结果:")
    print(c)
    print(f"c 的形状: {c.shape}")

# 3. GPU 加速 + 矩阵乘法任务
def matrix_multiplication_on_gpu():
    # 创建两个张量
    A = torch.randn(3, 4)  # 随机生成 3x4 矩阵
    B = torch.randn(4, 5)  # 随机生成 4x5 矩阵
    print("\n矩阵 A:")
    print(A)
    print("矩阵 B:")
    print(B)

    # 将张量移动到 GPU（如果可用）
    if torch.cuda.is_available():
        A = A.to(device)
        B = B.to(device)
        print(f"\n张量已移动到 {device}")

    # 计算矩阵乘法
    C = torch.matmul(A, B)  # 结果形状为 3x5
    print("\n矩阵乘法结果 C (A @ B):")
    print(C)
    print(f"C 的形状: {C.shape}")

# 主函数：依次运行所有任务
def main():
    print("=== 张量形状变换 ===")
    tensor_shape_transform()
    print("\n=== 广播机制 ===")
    tensor_broadcasting()
    print("\n=== GPU 加速与矩阵乘法 ===")
    matrix_multiplication_on_gpu()

if __name__ == "__main__":
    main()

"""
学习内容说明：
1. 张量形状变换：
   - view(): 改变张量形状，要求内存连续且元素总数不变。
   - reshape(): 更灵活的形状变换，支持非连续内存。

2. 广播机制：
   - 自动扩展张量维度以匹配操作（如加法），无需手动调整形状。
   - 规则：从尾部对齐维度，小维度扩展为大维度或补1。

3. GPU 加速：
   - 使用 torch.device 和 .to() 将张量移到 GPU。
   - torch.cuda.is_available() 检查 GPU 可用性。

任务完成：
- 将张量 A 和 B 移动到 GPU（如果可用）。
- 使用 torch.matmul() 计算矩阵乘法。
"""

代码说明

1. 张量形状变换:
2. view(3, 4): 将一维张量变换为 3x4 的二维张量。
3. reshape(2, -1): 将张量变为 2 行，列数自动推导为 6。
4. 广播机制:
5. 两个张量 a (1x3) 和 b (3x1) 通过广播扩展为 3x3，然后逐元素相加。
6. 展示了 PyTorch 如何自动处理维度不匹配的情况。
7. GPU 加速与矩阵乘法:
8. 检查 GPU 可用性并定义 device。
9. 使用 .to(device) 将张量 A 和 B 移到 GPU。
10. 使用 torch.matmul() 计算矩阵乘法，结果为 3x5 的矩阵。

运行要求

• 安装 PyTorch: pip install torch（如果需要 GPU 支持，确保安装 CUDA 版本，例如 pip install torch torchvision -f https://download.pytorch.org/whl/cu117）。
• 有 GPU 的环境（可选）：如果没有 GPU，代码会自动在 CPU 上运行。

如何运行

1. 保存代码为 pytorch_day3.py。
2. 在终端运行：python pytorch_day3.py。
3. 观察输出，验证形状变换、广播和矩阵乘法的结果。

输出示例（部分）

当前设备: cuda
=== 张量形状变换 ===
原始张量 x:
tensor([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10., 11.])
x 的形状: torch.Size([12])

使用 view 变换后的 x:
tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.]])
x_view 的形状: torch.Size([3, 4])

...
=== GPU 加速与矩阵乘法 ===
张量已移动到 cuda
矩阵乘法结果 C (A @ B):
tensor([[...], [...], [...]])  # 具体值因随机生成而异
C 的形状: torch.Size([3, 5])

这个代码完整实现了第3天的学习任务，并通过注释和输出展示了 PyTorch 的张量高级操作。建议参考 PyTorch 官方教程“Tensor Operations”进一步深入学习！