ipdb介绍

1、现在IPython之外使用debug功能，则需要安装ipdb(pip install ipdb)，而后在需要进入调试的地方加上如下代码即可：

    import ipdb

    ipdb.set_trace()

2、命令            功能

    h(elp)         显示帮助信息，help command显示这条命令的帮助信息

    u(p)           在函数调用栈中向上移动

    d(own)         在函数调用栈中向下移动

    n(ext)         单步执行，执行下一步

    s(tep)         单步进入当前函数调用

    a(rgs)         查看当前函数调用函数的参数

    l(ist)         查看当前行的上下文参考代码

    b(reak)        在指定位置上设置断点

    q(uit)         退出

Tensor

1、Tensor是Pytorch中重要的数据结构，可认为是一个高维数组。它可以是一个数（标量）、一维数组（向量）、二维数组（矩阵）或更高维的数组。Tensor和numpy的ndarrays类似，但Tensor可以使用GPU加速。

2、

from __future__ import print_function

import  torch as t

x = t.Tensor(5,3)   #构建5*3矩阵，知识分配了空间，未初始化

print(x)

'''

tensor([[0., 0., 0.],

        [0., 0., 0.],

        [0., 0., 0.],

        [0., 0., 0.],

        [0., 0., 0.]])'''

y = t.rand(5,3) #使用[0,1]均匀分布随机初始化二维数组

print(y)

'''

tensor([[0.3983, 0.0989, 0.8022],

        [0.9680, 0.2788, 0.1616],

        [0.3899, 0.2543, 0.4690],

        [0.9473, 0.0335, 0.0624],

        [0.0165, 0.0607, 0.0305]])'''

print(x.size()) # 查看对应x的形状

'''torch.Size([5, 3])'''

print(x.size()[0],x.size()[1],x.size(0),x.size(1))  #查看行列的个数，两种写法等价

'''5 3 5 3'''

print(t.Size([5,3]))

'''torch.Size([5, 3])'''

z = t.rand(5,3)

print(z)

'''tensor([[0.3366, 0.2013, 0.1291],

        [0.4020, 0.8494, 0.6037],

        [0.4871, 0.9674, 0.3913],

        [0.7931, 0.3871, 0.0373],

        [0.6214, 0.7268, 0.0464]])'''

print(y+z)  #加法的第一种写法

'''tensor([[0.4665, 0.5607, 0.7849],

        [0.9006, 0.8770, 1.6009],

        [1.0767, 1.6093, 1.1122],

        [1.5288, 1.2140, 0.9973],

        [1.4622, 0.8714, 0.8820]])'''

w = t.add(y,z)  #加法的第二种写法

print(w)

'''tensor([[0.4665, 0.5607, 0.7849],

        [0.9006, 0.8770, 1.6009],

        [1.0767, 1.6093, 1.1122],

        [1.5288, 1.2140, 0.9973],

        [1.4622, 0.8714, 0.8820]])'''

#加法的第三种写法

result = t.Tensor(5,3)  #预先分配空间

t.add(y,z,out = result)

print(result)

'''tensor([[0.4665, 0.5607, 0.7849],

        [0.9006, 0.8770, 1.6009],

        [1.0767, 1.6093, 1.1122],

        [1.5288, 1.2140, 0.9973],

        [1.4622, 0.8714, 0.8820]])'''

print('开始的y：',y)

y.add(z)        #普通加法，y没变

print('第一种加法的y：',y)

y.add_(z)       #inplace加法，y变了

print('第二种加法的y:',y)

'''开始的y： tensor([[0.4149, 0.4725, 0.1777],

        [0.0475, 0.6963, 0.2613],

        [0.9333, 0.9892, 0.8785],

        [0.4695, 0.9405, 0.2004],

        [0.4407, 0.8078, 0.7087]])

第一种加法的y： tensor([[0.4149, 0.4725, 0.1777],

        [0.0475, 0.6963, 0.2613],

        [0.9333, 0.9892, 0.8785],

        [0.4695, 0.9405, 0.2004],

        [0.4407, 0.8078, 0.7087]])

第二种加法的y: tensor([[1.1393, 0.8658, 0.7856],

        [0.2293, 1.4834, 0.6079],

        [1.3816, 1.5985, 1.4196],

        [1.3364, 1.1972, 0.7479],

        [1.0835, 0.9564, 1.5608]])'''

#Tensor 的选取操作和numpy类似

print(y)

print(y[:,1])

print(y[1,:])

'''tensor([[0.4012, 0.9539, 0.8259],

        [1.1718, 0.8311, 0.1424],

        [0.7629, 0.8057, 1.1800],

        [0.8089, 0.5383, 1.4055],

        [0.7234, 1.0019, 1.2501]])

tensor([0.9539, 0.8311, 0.8057, 0.5383, 1.0019])

tensor([1.1718, 0.8311, 0.1424])'''

a = t.ones(5)

print(a)

'''tensor([1., 1., 1., 1., 1.])'''

b = a.numpy()   #Tensor->numpy

print(b)

'''[1. 1. 1. 1. 1.]'''

import numpy as np

a = np.ones(5)

b = t.from_numpy(a) # numpy->Tensor

print(a)

print(b)

'''[1. 1. 1. 1. 1.]

tensor([1., 1., 1., 1., 1.], dtype=torch.float64)'''

#Tensor和numpy对象共享内存，所以他们之间转换很快，而且几乎不会消耗资源，但是其中一个变了，另一个也随之改变

b.add_(1)

print(a)

print(b)

'''[2. 2. 2. 2. 2.]

tensor([2., 2., 2., 2., 2.], dtype=torch.float64)'''

if t.cuda.is_available(): #Tensor 通过.cuda方法转为GPU的Tensor，从而享受GPU带来的加速运算

    y = y.cuda()

    z = z.cuda()

    print(y+z)

2018-10-05 15:54:47