diff --git a/docs/2.0/tutorials/beginner/introyt.md b/docs/2.0/tutorials/beginner/introyt.md
index 18da923ed4f4ca61216d6a3de53e7aed6d00ca7f..369cbc7f1b6b6fcb8ce1c082251db09d1c67a1e8 100644
--- a/docs/2.0/tutorials/beginner/introyt.md
+++ b/docs/2.0/tutorials/beginner/introyt.md
@@ -16,7 +16,7 @@
您可以通过以下几种方式运行本教程:
- **云端**: 这是最简单的入门方法! 每个部分顶部都有一个 Colab 链接,点击后会在完全托管的环境中打开一个代码笔记本。专业提示: 以 GPU 运行时使用 Colab 能加速操作 `代码执行程序(Runtime) > 更改运行时类型(Change runtime type) > GPU`
-- **本地**: 这个方式要求您先在本地电脑上安装 PyTorch 和 torchvision([安装说明](https://pytorch.org/get-started/locally/))。下载 notebook 或将代码复制到你喜欢的 IDE 中。
+- **本地**: 这个方式要求您先在本地电脑上安装 PyTorch 和 torchvision([安装说明](https://pytorch.org/get-started/locally/))。下载 notebook 或将代码复制到您喜欢的 IDE 中。
diff --git a/docs/2.0/tutorials/beginner/introyt/introyt1_tutorial.md b/docs/2.0/tutorials/beginner/introyt/introyt1_tutorial.md
index ecc3ffff62cf3be5d2b94526227568b25a2b6897..57f94a2a36ebf611ef75437bcb619e4532ff2599 100644
--- a/docs/2.0/tutorials/beginner/introyt/introyt1_tutorial.md
+++ b/docs/2.0/tutorials/beginner/introyt/introyt1_tutorial.md
@@ -297,7 +297,7 @@ torch.Size([1, 10])
在此之下,我们创建了一个代表 32x32 图像且具有 1 个颜色通道的虚拟输入。通常,您会加载一个图像块并将其转换为这种形状的张量。
-您可能已经注意到了张量中的额外维度 —— _批处理维度_。PyTorch 模型假定它们在 _批次_ 数据上进行操作,例如,批处理包含 16 个图像块的情况下,形状将为 (`16`, `1`, `32`, `32`)。由于我们只使用了一个图像,我们创建了一个形状为 (`1`, `1`, `32`, `32`) 的批次。
+您可能已经注意到了张量中的额外维度——_批处理维度_。PyTorch 模型假定它们在 _批次_ 数据上进行操作,例如,批处理包含 16 个图像块的情况下,形状将为 (`16`, `1`, `32`, `32`)。由于我们只使用了一个图像,我们创建了一个形状为 (`1`, `1`, `32`, `32`) 的批次。
我们像调用函数一样调用该模型推断:`net(input)`。该调用的输出表示,模型对表示特定数字输入的置信度。(由于这个模型实例尚未学习任何内容,我们不应该在输出中看到任何信号。)观察 `output` 的形状,我们可以看到它也有一个批处理维度,其大小应始终与输入批处理维度相匹配。如果我们传入一个包含 16 个实例的输入批次,`output` 的形状将为 (`16`, `10`)。
@@ -379,7 +379,7 @@ Extracting ./data/cifar-10-python.tar.gz to ./data
```
!!! note "注意"
- 当你运行上面的单元格时,可能需要一些时间下载数据集。
+ 当您运行上面的单元格时,可能需要一些时间下载数据集。
这是一个在 PyTorch 中创建数据集对象的示例。可下载数据集(如上文的 CIFAR-10)是 `torch.utils.data.Dataset` 的子类。PyTorch 中的 `Dataset` 类包括 TorchVision、Torchtext 和 TorchAudio 中的可下载数据集,以及像 `torchvision.datasets.ImageFolder` 般的实用数据集类,它可以读取带有标签的图像文件夹。您也可以创建自己的 `Dataset` 子类。
@@ -397,7 +397,7 @@ trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=2)
```
-`Dataset` 子类封装了对数据的访问权限,并专门针对所服务的数据类型。 `DataLoader` 对数据一无所知,但会根据你指定的参数将 `Dataset` 提供的输入张量组织成批。
+`Dataset` 子类封装了对数据的访问权限,并专门针对所服务的数据类型。 `DataLoader` 对数据一无所知,但会根据您指定的参数将 `Dataset` 提供的输入张量组织成批。
在上面的示例中,我们要求 `DataLoader` 从 `trainset` 中批量加载 4 幅图像,并随机调整它们的顺序(`shuffle=True`),我们还告诉它启动两个工作者从磁盘加载数据。
@@ -605,11 +605,11 @@ Finished Training
**梯度归零**(第 9 行)是一个重要步骤。梯度是在一个批次中累积起来的;如果我们不在每个批次中重置梯度,它们就会不断累积,产生错误的梯度值,导致学习无法进行。
-在第 12 行,我们**要求模型对这一批数据进行预测**。在接下来的第 13 行,我们计算损失 —— 即 `outputs`(模型预测)和 `labels`(正确输出)之间的差值。
+在第 12 行,我们**要求模型对这一批数据进行预测**。在接下来的第 13 行,我们计算损失——即 `outputs`(模型预测)和 `labels`(正确输出)之间的差值。
在第 14 行中,我们进行 `backward()` 传递,计算梯度以指导学习。
-在第 15 行中,优化器执行一个学习步骤 —— 它使用来自 `backward()` 调用的梯度,将学习权重推向它认为能减少损失的方向。
+在第 15 行中,优化器执行一个学习步骤——它使用来自 `backward()` 调用的梯度,将学习权重推向它认为能减少损失的方向。
循环的余下部分会简单报告一下当前周期数、已完成的训练实例数以及在训练循环中收集到的损失。
@@ -635,7 +635,7 @@ Finished Training
最后一步,我们应该检查模型是否真的在进行一般学习,而不是简单地 "记忆 "数据集。这就是所谓的**过拟合**,通常表明数据集太小(没有足够的例子进行一般学习),或者模型的学习参数超过了正确建模数据集所需的参数。
-这也是将数据集分为训练子集和测试子集的原因 —— 为了测试模型的通用性,我们让模型对其未训练过的数据进行预测:
+这也是将数据集分为训练子集和测试子集的原因——为了测试模型的通用性,我们让模型对其未训练过的数据进行预测:
```python
diff --git a/docs/2.0/tutorials/beginner/introyt/tensors_deeper_tutorial.md b/docs/2.0/tutorials/beginner/introyt/tensors_deeper_tutorial.md
new file mode 100644
index 0000000000000000000000000000000000000000..29721c4771f146f4770c040aaee9cfb95dfb071e
--- /dev/null
+++ b/docs/2.0/tutorials/beginner/introyt/tensors_deeper_tutorial.md
@@ -0,0 +1,1029 @@
+# PyTorch 张量入门
+
+> 译者:[Fadegentle](https://github.com/Fadegentle)
+>
+> 项目地址:
+>
+> 原始地址:
+
+请跟随下面的视频或在 [youtube](https://www.youtube.com/watch?v=r7QDUPb2dCM) 上观看。
+
+
+
+张量是 PyTorch 的核心数据抽象。本互动笔记本将深入介绍 `torch.Tensor` 类。
+
+首先,让我们导入 PyTorch 模块。另外因为某些示例需要,我们还要添加 Python 的数学模块。
+
+```python
+import torch
+import math
+```
+
+## 创建张量
+创建张量最简单的方法是调用 `torch.empty()`:
+
+```python
+x = torch.empty(3, 4)
+print(type(x))
+print(x)
+```
+
+输出:
+```shell
+
+tensor([[0., 0., 0., 0.],
+ [0., 0., 0., 0.],
+ [0., 0., 0., 0.]])
+```
+
+让我们来解读一下刚才的操作:
+
+- 我们使用 `torch` 模块附带的众多工厂方法之一创建了一个张量。
+- 该张量本身是二维的,有 3 行 4 列。
+- 返回对象的类型是 `torch.Tensor`,它是 `torch.FloatTensor` 的别名;默认情况下,PyTorch 张量使用 32 位浮点数填充。(下面将详细介绍数据类型。)
+- 在打印张量时,您可能会看到一些随机的数值。`torrent.empty()` 调用为张量分配了内存,但没用任何值对其初始化——所以您看到的是分配时内存中的内容。
+
+关于张量及其维数和术语的简要说明:
+
+- 有时,您会看到一个一维张量被称为向量。
+- 同样,二维张量通常被称为矩阵。
+- 超过两个维度的情况一般都被称为张量。
+
+在大多数情况下,您会想要用一些值来初始化您的张量。常见的情况有全 0、全 1 或随机值,`torch` 模块为这些情况都提供了工厂方法:
+
+```python
+zeros = torch.zeros(2, 3)
+print(zeros)
+
+ones = torch.ones(2, 3)
+print(ones)
+
+torch.manual_seed(1729)
+random = torch.rand(2, 3)
+print(random)
+```
+
+输出:
+```shell
+tensor([[0., 0., 0.],
+ [0., 0., 0.]])
+tensor([[1., 1., 1.],
+ [1., 1., 1.]])
+tensor([[0.3126, 0.3791, 0.3087],
+ [0.0736, 0.4216, 0.0691]])
+```
+
+这些工厂方法都如您所愿——我们得到了一个全是 0 的张量,另一个全是 1 的张量,还有一个包含 0 和 1 之间随机值的张量。
+
+### 随机张量和种子设置
+说到随机张量,您是否注意到紧接在它之前调用了 `torch.manual_seed()` ?将张量初始化为随机值是常见的做法,比如模型的学习权重,但在某些情况下(尤其是在研究环境中)您可能希望确保您的结果是可重现的。手动设置随机数生成器的种子就能做到这个,让我们仔细看一下:
+
+```python
+torch.manual_seed(1729)
+random1 = torch.rand(2, 3)
+print(random1)
+
+random2 = torch.rand(2, 3)
+print(random2)
+
+torch.manual_seed(1729)
+random3 = torch.rand(2, 3)
+print(random3)
+
+random4 = torch.rand(2, 3)
+print(random4)
+```
+
+输出:
+```shell
+tensor([[0.3126, 0.3791, 0.3087],
+ [0.0736, 0.4216, 0.0691]])
+tensor([[0.2332, 0.4047, 0.2162],
+ [0.9927, 0.4128, 0.5938]])
+tensor([[0.3126, 0.3791, 0.3087],
+ [0.0736, 0.4216, 0.0691]])
+tensor([[0.2332, 0.4047, 0.2162],
+ [0.9927, 0.4128, 0.5938]])
+```
+
+您应该在上面看到,`random1` 和 `random3` 携带着相同的值,`random2` 和 `random4` 也是如此。手动设置随机数生成器的种子会重置它,因此一般而言,相同随机数的相同计算应有相同的结果。
+
+有关更多信息,请参阅 [PyTorch 文档关于可重现性的部分](https://pytorch.org/docs/stable/notes/randomness.html)。
+
+### 张量形状
+通常,当您对两个或多个张量执行操作时,它们需要具有相同的形状——也就是说,维数相同和每个维度中的单元数相同。为此,我们有 `torch.*_like()` 方法:
+
+```python
+x = torch.empty(2, 2, 3)
+print(x.shape)
+print(x)
+
+empty_like_x = torch.empty_like(x)
+print(empty_like_x.shape)
+print(empty_like_x)
+
+zeros_like_x = torch.zeros_like(x)
+print(zeros_like_x.shape)
+print(zeros_like_x)
+
+ones_like_x = torch.ones_like(x)
+print(ones_like_x.shape)
+print(ones_like_x)
+
+rand_like_x = torch.rand_like(x)
+print(rand_like_x.shape)
+print(rand_like_x)
+```
+
+输出:
+```shell
+torch.Size([2, 2, 3])
+tensor([[[ 1.3323e-33, 0.0000e+00, 1.2565e-33],
+ [ 0.0000e+00, -6.9300e-03, -2.9693e-02]],
+
+ [[-4.2094e-02, 2.6203e-02, 6.7262e-44],
+ [ 0.0000e+00, 6.7262e-44, 0.0000e+00]]])
+torch.Size([2, 2, 3])
+tensor([[[ 6.0476e-35, 0.0000e+00, -9.5918e-01],
+ [ 4.5559e-41, 4.4842e-44, 0.0000e+00]],
+
+ [[ 8.9683e-44, 0.0000e+00, 1.3039e-33],
+ [ 0.0000e+00, 1.1351e-43, 0.0000e+00]]])
+torch.Size([2, 2, 3])
+tensor([[[0., 0., 0.],
+ [0., 0., 0.]],
+
+ [[0., 0., 0.],
+ [0., 0., 0.]]])
+torch.Size([2, 2, 3])
+tensor([[[1., 1., 1.],
+ [1., 1., 1.]],
+
+ [[1., 1., 1.],
+ [1., 1., 1.]]])
+torch.Size([2, 2, 3])
+tensor([[[0.6128, 0.1519, 0.0453],
+ [0.5035, 0.9978, 0.3884]],
+
+ [[0.6929, 0.1703, 0.1384],
+ [0.4759, 0.7481, 0.0361]]])
+```
+
+上面代码单元中的第一个新功能是在张量上使用 `.shape` 属性。该属性包含一个列表,其中包含张量各维度的范围——在我们的例子中,`x` 是一个形状为 2 x 2 x 3 的三维张量。
+
+下面,我们将调用 `.empty_like()`、`.zeros_like()`、`.one_like()` 和 `.rand_like()` 方法。通过使用 `.shape` 属性,我们可以验证这些方法返回的张量的维数和范围都是相同的。
+
+创建张量的最后一种方法是直接从 PyTorch 集合中指定数据:
+
+```python
+some_constants = torch.tensor([[3.1415926, 2.71828], [1.61803, 0.0072897]])
+print(some_constants)
+
+some_integers = torch.tensor((2, 3, 5, 7, 11, 13, 17, 19))
+print(some_integers)
+
+more_integers = torch.tensor(((2, 4, 6), [3, 6, 9]))
+print(more_integers)
+```
+
+输出:
+```shell
+tensor([[3.1416, 2.7183],
+ [1.6180, 0.0073]])
+tensor([ 2, 3, 5, 7, 11, 13, 17, 19])
+tensor([[2, 4, 6],
+ [3, 6, 9]])
+```
+
+如果数据已经存在于 Python 元组或列表中,使用 `torch.tensor()` 是创建张量最简单的方法。如上所示,嵌套集合将产生多维张量。
+
+!!! note "注意"
+ `torch.tensor()` 会创建一个数据副本。
+
+### 张量数据类型
+设置张量的数据类型有几种方法:
+
+```python
+a = torch.ones((2, 3), dtype=torch.int16)
+print(a)
+
+b = torch.rand((2, 3), dtype=torch.float64) * 20.
+print(b)
+
+c = b.to(torch.int32)
+print(c)
+```
+
+输出:
+```shell
+tensor([[1, 1, 1],
+ [1, 1, 1]], dtype=torch.int16)
+tensor([[ 0.9956, 1.4148, 5.8364],
+ [11.2406, 11.2083, 11.6692]], dtype=torch.float64)
+tensor([[ 0, 1, 5],
+ [11, 11, 11]], dtype=torch.int32)
+```
+
+设置张量底层数据类型的最简单方法是在创建时使用可选的参数。在上述单元格的第一行,我们为张量 `a` 设置了 `dtype=torch.int16`。当我们打印 `a` 时,可以看到它被填满了 `1`,而不是 `1.0`——这是 Python 的小提示,表示这是整数类型而非浮点数。
+
+在打印 `a` 时还需要注意的一点是,与将 `dtype` 保持默认值(32 位浮点数)不同,打印张量还会指定其 `dtype`。
+
+您可能也发现了,我们从指定张量的形状为一系列整数参数,变成了将这些参数分组为一个元组。严格来说,这并不是必须的( PyTorch 会将一系列初始的、无标签的整数参数作为张量形状),但在添加可选参数时,这可以使您的意图便于理解。
+
+另一种设置数据类型的方法是使用 `.to()` 方法。在上面的单元格中,我们按照通常的方式创建了一个随机浮点张量 `b`。在随后,我们使用 `.to()` 方法将 `b` 转换为 32 位整数来创建 `c`。请注意,`c` 包含的所有值与 `b` 相同,但被截断为整数。
+
+可用数据类型包括:
+
+- `torch.bool`
+- `torch.int8`
+- `torch.uint8`
+- `torch.int16`
+- `torch.int32`
+- `torch.int64`
+- `torch.half`
+- `torch.float`
+- `torch.double`
+- `torch.bfloat`
+
+## 用 PyTorch 张量进行数学和逻辑运算
+现在您已经了解了一些创建张量的方法,那么您可以用它们做什么呢?
+
+首先,让我们先看一下基本的算术运算,以及张量如何与简单的标量进行交互:
+
+```python
+ones = torch.zeros(2, 2) + 1
+twos = torch.ones(2, 2) * 2
+threes = (torch.ones(2, 2) * 7 - 1) / 2
+fours = twos ** 2
+sqrt2s = twos ** 0.5
+
+print(ones)
+print(twos)
+print(threes)
+print(fours)
+print(sqrt2s)
+```
+
+输出:
+```shell
+tensor([[1., 1.],
+ [1., 1.]])
+tensor([[2., 2.],
+ [2., 2.]])
+tensor([[3., 3.],
+ [3., 3.]])
+tensor([[4., 4.],
+ [4., 4.]])
+tensor([[1.4142, 1.4142],
+ [1.4142, 1.4142]])
+```
+
+如您在上面看到的,张量与标量之间的算术运算,比如加法、减法、乘法、除法和指数运算,会作用于张量的每个元素。因为此类运算的输出将是一个张量,您可以按通用运算符优先规则将它们链接在一起,就像我们在创建 `threes` 的那一行中所示。
+
+类似的操作在两个张量之间也如您所愿:
+
+```python
+powers2 = twos ** torch.tensor([[1, 2], [3, 4]])
+print(powers2)
+
+fives = ones + fours
+print(fives)
+
+dozens = threes * fours
+print(dozens)
+```
+
+输出:
+```shell
+tensor([[ 2., 4.],
+ [ 8., 16.]])
+tensor([[5., 5.],
+ [5., 5.]])
+tensor([[12., 12.],
+ [12., 12.]])
+```
+
+这里需要注意的是,上面代码单元格中的所有张量都具有相同的形状。如果我们尝试在形状不同的张量上执行二元运算,会发生什么呢?
+
+!!! note "注意"
+ 以下单元格会抛出运行时错误。是故意为之。
+
+```python
+a = torch.rand(2, 3)
+b = torch.rand(3, 2)
+
+print(a * b)
+```
+
+通常,您不能以这种方式操作不同形状的张量,即使像上面的单元格中,张量具有相同数量元素的情况,也不行。
+
+### 简述:张量广播
+
+!!! note "注意"
+ 如果您熟悉 NumPy ndarrays 中的广播语义,您会发现相同的规则也适用于这里。
+
+相同形状规则的例外是张量广播。以下是一个示例:
+
+
+```python
+rand = torch.rand(2, 4)
+doubled = rand * (torch.ones(1, 4) * 2)
+
+print(rand)
+print(doubled)
+```
+
+输出:
+```shell
+tensor([[0.6146, 0.5999, 0.5013, 0.9397],
+ [0.8656, 0.5207, 0.6865, 0.3614]])
+tensor([[1.2291, 1.1998, 1.0026, 1.8793],
+ [1.7312, 1.0413, 1.3730, 0.7228]])
+```
+
+这里有什么诀窍?我们是如何将一个 2x4 张量乘以一个 1x4 张量的呢?
+
+广播是在形状相似的张量之间进行运算的一种方式。在上面的例子中,单行四列张量与双行四列张量的两行相乘。
+
+这是深度学习中的一个重要操作。常见的例子是将一个学习权重张量与一批输入张量相乘,分别对批次中的每个实例进行运算,然后返回一个形状相同的张量——就像我们上面的 (2, 4) * (1, 4) 例子一样,返回一个形状为 (2, 4) 的张量。
+
+广播的规则如下:
+
+- 每个张量必须至少有一个维度,不能是空张量。
+- 比较两个张量的维数大小,从最后一个到第一个:
+ - 每个维度必须相等,或
+ - 其中一个维的大小必须为 1,或
+ - 维度在一个张量中不存在
+
+当然,形状相同的张量是“可广播”的,这在前面已经提到过。
+
+下面是一些符合上述规则的可广播示例:
+
+```python
+a = torch.ones(4, 3, 2)
+
+b = a * torch.rand( 3, 2) # 3rd & 2nd dims identical to a, dim 1 absent
+print(b)
+
+c = a * torch.rand( 3, 1) # 3rd dim = 1, 2nd dim identical to a
+print(c)
+
+d = a * torch.rand( 1, 2) # 3rd dim identical to a, 2nd dim = 1
+print(d)
+```
+
+输出:
+```shell
+tensor([[[0.6493, 0.2633],
+ [0.4762, 0.0548],
+ [0.2024, 0.5731]],
+
+ [[0.6493, 0.2633],
+ [0.4762, 0.0548],
+ [0.2024, 0.5731]],
+
+ [[0.6493, 0.2633],
+ [0.4762, 0.0548],
+ [0.2024, 0.5731]],
+
+ [[0.6493, 0.2633],
+ [0.4762, 0.0548],
+ [0.2024, 0.5731]]])
+tensor([[[0.7191, 0.7191],
+ [0.4067, 0.4067],
+ [0.7301, 0.7301]],
+
+ [[0.7191, 0.7191],
+ [0.4067, 0.4067],
+ [0.7301, 0.7301]],
+
+ [[0.7191, 0.7191],
+ [0.4067, 0.4067],
+ [0.7301, 0.7301]],
+
+ [[0.7191, 0.7191],
+ [0.4067, 0.4067],
+ [0.7301, 0.7301]]])
+tensor([[[0.6276, 0.7357],
+ [0.6276, 0.7357],
+ [0.6276, 0.7357]],
+
+ [[0.6276, 0.7357],
+ [0.6276, 0.7357],
+ [0.6276, 0.7357]],
+
+ [[0.6276, 0.7357],
+ [0.6276, 0.7357],
+ [0.6276, 0.7357]],
+
+ [[0.6276, 0.7357],
+ [0.6276, 0.7357],
+ [0.6276, 0.7357]]])
+```
+
+仔细观察上面每个张量的值:
+
+- 创建张量 `b` 的乘法操作是在张量 `a` 的每个“层”上进行广播的。
+- 对于 `c`,操作在 `a` 的每个层和每一行上进行广播——每个由 3 个元素组成的列是相同的。
+- 对于 `d`,我们将它改变了——现在每一行在层和列之间都是相同的。
+
+有关广播的更多信息,请参阅 [PyTorch 的相关文档](https://pytorch.org/docs/stable/notes/broadcasting.html)。
+
+以下是一些尝试进行广播的示例,这些示例会失败:
+
+!!! note "注意"
+ 以下单元格会抛出运行时错误。是故意为之。
+
+```python
+a = torch.ones(4, 3, 2)
+
+b = a * torch.rand(4, 3) # dimensions must match last-to-first
+
+c = a * torch.rand( 2, 3) # both 3rd & 2nd dims different
+
+d = a * torch.rand((0, )) # can't broadcast with an empty tensor
+```
+
+### 更多张量数学运算
+PyTorch 张量上有三百多种可以执行的操作。
+
+以下是一小部分主要类别操作的示例:
+
+```python
+# common functions
+a = torch.rand(2, 4) * 2 - 1
+print('Common functions:')
+print(torch.abs(a))
+print(torch.ceil(a))
+print(torch.floor(a))
+print(torch.clamp(a, -0.5, 0.5))
+
+# trigonometric functions and their inverses
+angles = torch.tensor([0, math.pi / 4, math.pi / 2, 3 * math.pi / 4])
+sines = torch.sin(angles)
+inverses = torch.asin(sines)
+print('\nSine and arcsine:')
+print(angles)
+print(sines)
+print(inverses)
+
+# bitwise operations
+print('\nBitwise XOR:')
+b = torch.tensor([1, 5, 11])
+c = torch.tensor([2, 7, 10])
+print(torch.bitwise_xor(b, c))
+
+# comparisons:
+print('\nBroadcasted, element-wise equality comparison:')
+d = torch.tensor([[1., 2.], [3., 4.]])
+e = torch.ones(1, 2) # many comparison ops support broadcasting!
+print(torch.eq(d, e)) # returns a tensor of type bool
+
+# reductions:
+print('\nReduction ops:')
+print(torch.max(d)) # returns a single-element tensor
+print(torch.max(d).item()) # extracts the value from the returned tensor
+print(torch.mean(d)) # average
+print(torch.std(d)) # standard deviation
+print(torch.prod(d)) # product of all numbers
+print(torch.unique(torch.tensor([1, 2, 1, 2, 1, 2]))) # filter unique elements
+
+# vector and linear algebra operations
+v1 = torch.tensor([1., 0., 0.]) # x unit vector
+v2 = torch.tensor([0., 1., 0.]) # y unit vector
+m1 = torch.rand(2, 2) # random matrix
+m2 = torch.tensor([[3., 0.], [0., 3.]]) # three times identity matrix
+
+print('\nVectors & Matrices:')
+print(torch.cross(v2, v1)) # negative of z unit vector (v1 x v2 == -v2 x v1)
+print(m1)
+m3 = torch.matmul(m1, m2)
+print(m3) # 3 times m1
+print(torch.svd(m3)) # singular value decomposition
+```
+
+输出:
+```shell
+Common functions:
+tensor([[0.9238, 0.5724, 0.0791, 0.2629],
+ [0.1986, 0.4439, 0.6434, 0.4776]])
+tensor([[-0., -0., 1., -0.],
+ [-0., 1., 1., -0.]])
+tensor([[-1., -1., 0., -1.],
+ [-1., 0., 0., -1.]])
+tensor([[-0.5000, -0.5000, 0.0791, -0.2629],
+ [-0.1986, 0.4439, 0.5000, -0.4776]])
+
+Sine and arcsine:
+tensor([0.0000, 0.7854, 1.5708, 2.3562])
+tensor([0.0000, 0.7071, 1.0000, 0.7071])
+tensor([0.0000, 0.7854, 1.5708, 0.7854])
+
+Bitwise XOR:
+tensor([3, 2, 1])
+
+Broadcasted, element-wise equality comparison:
+tensor([[ True, False],
+ [False, False]])
+
+Reduction ops:
+tensor(4.)
+4.0
+tensor(2.5000)
+tensor(1.2910)
+tensor(24.)
+tensor([1, 2])
+
+Vectors & Matrices:
+tensor([ 0., 0., -1.])
+tensor([[0.7375, 0.8328],
+ [0.8444, 0.2941]])
+tensor([[2.2125, 2.4985],
+ [2.5332, 0.8822]])
+torch.return_types.svd(
+U=tensor([[-0.7889, -0.6145],
+ [-0.6145, 0.7889]]),
+S=tensor([4.1498, 1.0548]),
+V=tensor([[-0.7957, 0.6056],
+ [-0.6056, -0.7957]]))
+```
+
+这只是一小部分运算示例。如需了解更多详情和所有数学函数,请参阅[文档](https://pytorch.org/docs/stable/torch.html#math-operations)。
+
+### 原地修改张量
+大多数对张量的二进制运算都会返回第三个新张量。当我们说 `c = a * b`(其中 `a` 和 `b` 都是张量)时,新的张量 `c` 将占据一个与其他张量不同的内存区域。
+
+不过,有时您可能希望原地改变一个张量——例如,如果您正在进行元素计算,您可以丢弃中间值。为此,大多数数学函数都有一个带下划线 (`_`) 的版本,可以原地改变张量。
+
+例如:
+
+```python
+a = torch.tensor([0, math.pi / 4, math.pi / 2, 3 * math.pi / 4])
+print('a:')
+print(a)
+print(torch.sin(a)) # this operation creates a new tensor in memory
+print(a) # a has not changed
+
+b = torch.tensor([0, math.pi / 4, math.pi / 2, 3 * math.pi / 4])
+print('\nb:')
+print(b)
+print(torch.sin_(b)) # note the underscore
+print(b) # b has changed
+```
+
+输出:
+```shell
+a:
+tensor([0.0000, 0.7854, 1.5708, 2.3562])
+tensor([0.0000, 0.7071, 1.0000, 0.7071])
+tensor([0.0000, 0.7854, 1.5708, 2.3562])
+
+b:
+tensor([0.0000, 0.7854, 1.5708, 2.3562])
+tensor([0.0000, 0.7071, 1.0000, 0.7071])
+tensor([0.0000, 0.7071, 1.0000, 0.7071])
+```
+
+对于算术运算,也有类似的函数:
+
+```python
+a = torch.ones(2, 2)
+b = torch.rand(2, 2)
+
+print('Before:')
+print(a)
+print(b)
+print('\nAfter adding:')
+print(a.add_(b))
+print(a)
+print(b)
+print('\nAfter multiplying')
+print(b.mul_(b))
+print(b)
+```
+
+输出:
+```shell
+Before:
+tensor([[1., 1.],
+ [1., 1.]])
+tensor([[0.3788, 0.4567],
+ [0.0649, 0.6677]])
+
+After adding:
+tensor([[1.3788, 1.4567],
+ [1.0649, 1.6677]])
+tensor([[1.3788, 1.4567],
+ [1.0649, 1.6677]])
+tensor([[0.3788, 0.4567],
+ [0.0649, 0.6677]])
+
+After multiplying
+tensor([[0.1435, 0.2086],
+ [0.0042, 0.4459]])
+tensor([[0.1435, 0.2086],
+ [0.0042, 0.4459]])
+```
+
+请注意,这些原地运算函数是 `torch.Tensor` 对象上的方法,而不是像许多其他函数(如 `torch.sin()`)那样附加到 `torch` 模块上。从 `a.add_(b)` 可以看出,调用的张量会原地发生变化。
+
+还有一种方法可以将计算结果放入现有的已分配张量中。到目前为止,我们看到的许多方法和函数(包括创建方法)都有一个 `out` 参数,可以指定一个张量来接收输出结果。如果 `out` 张量的形状和 `dtype` 正确,就无需分配新的内存:
+
+```python
+a = torch.rand(2, 2)
+b = torch.rand(2, 2)
+c = torch.zeros(2, 2)
+old_id = id(c)
+
+print(c)
+d = torch.matmul(a, b, out=c)
+print(c) # contents of c have changed
+
+assert c is d # test c & d are same object, not just containing equal values
+assert id(c) == old_id # make sure that our new c is the same object as the old one
+
+torch.rand(2, 2, out=c) # works for creation too!
+print(c) # c has changed again
+assert id(c) == old_id # still the same object!
+```
+
+输出:
+```shell
+tensor([[0., 0.],
+ [0., 0.]])
+tensor([[0.3653, 0.8699],
+ [0.2364, 0.3604]])
+tensor([[0.0776, 0.4004],
+ [0.9877, 0.0352]])
+```
+
+## 复制张量
+与 Python 中的对象一样,将张量赋值给变量会使变量成为张量的标签,而不会复制它。例如:
+
+```python
+a = torch.ones(2, 2)
+b = a
+
+a[0][1] = 561 # we change a...
+print(b) # ...and b is also altered
+```
+
+输出:
+```shell
+tensor([[ 1., 561.],
+ [ 1., 1.]])
+```
+
+但是,如果您需要一个单独的数据副本来处理数据,该怎么办呢?clone()方法就能满足您的需求:
+
+```python
+a = torch.ones(2, 2)
+b = a.clone()
+
+assert b is not a # different objects in memory...
+print(torch.eq(a, b)) # ...but still with the same contents!
+
+a[0][1] = 561 # a changes...
+print(b) # ...but b is still all ones
+```
+
+输出:
+```shell
+tensor([[True, True],
+ [True, True]])
+tensor([[1., 1.],
+ [1., 1.]])
+```
+
+**使用 `clone()` 时需要注意一件重要的事情**。如果源张量启用了自动微分,那么克隆也会启用。**关于自动微分的视频将对此进行更深入的介绍**,但如果您想了解更多细节,请继续往下看。
+
+_在大多情况下_,这就是您想要的。例如,如果模型的 `forward()` 方法有多个计算路径,而原始张量和克隆张量都对模型的输出有贡献,那么要实现模型学习,就需要同时打开两个张量的自动微分。如果源张量启用了自动微分(如果它是一组学习权重或从涉及权重的计算中导出,则通常会启用),那么就会得到想要的结果。
+
+_另一方面_,如果您正在进行的计算中,原始张量或其克隆都不需要跟踪梯度,那么只要源张量关闭了自动微分,就可以正常运行。
+
+_不过还有第三种情况_,想象一下:您在模型的 `forward()` 函数中执行计算,默认情况下梯度都是打开的,但您想在中途取出一些值来生成一些指标。在这种情况下,您不希望源张量的克隆副本跟踪梯度——关闭自动微分的历史跟踪可以提高性能。为此,您可以在源张量上使用 `.detach()` 方法:
+
+```python
+a = torch.rand(2, 2, requires_grad=True) # turn on autograd
+print(a)
+
+b = a.clone()
+print(b)
+
+c = a.detach().clone()
+print(c)
+
+print(a)
+```
+
+输出:
+```shell
+tensor([[0.0905, 0.4485],
+ [0.8740, 0.2526]], requires_grad=True)
+tensor([[0.0905, 0.4485],
+ [0.8740, 0.2526]], grad_fn=)
+tensor([[0.0905, 0.4485],
+ [0.8740, 0.2526]])
+tensor([[0.0905, 0.4485],
+ [0.8740, 0.2526]], requires_grad=True)
+```
+
+发生了什么?
+
+- 我们创建了一个开启 `requirements_grad=True` 的 `a`。**我们还没有涉及这个可选参数,但会在自动微分单元中涉及。**
+- 当我们打印 `a` 时,它会告诉我们属性 `requires_grad=True` ——这意味着自动微分和计算历史跟踪已打开。
+- 我们拷贝 `a` 并标记为 `b`。当我们打印 `b` 时,可以看到它正在跟踪计算历史记录——它继承了 `a` 的自动微分设置,并添加到了计算历史记录中。
+- 我们将 `a` 复制到 `c` 中,但要先调用 `detach()`。
+- 在打印 `c` 时,我们没有看到计算历史,也没有看到 `requires_grad=True`。
+
+`detach()` 方法 _将张量从其计算历史中分离出来_。它说:"不管接下来要做什么,都要像关闭自动微分一样"。我们可以看到,当我们在最后再次打印 `a` 时,它保留了 `requires_grad=True` 属性。
+
+## 转用 GPU
+PyTorch 的主要优势之一是其在兼容 CUDA 的 Nvidia GPU 上的强大加速能力。 CUDA 是计算统一设备架构(Compute Unified Device Architecture)的缩写,是 Nvidia 的并行计算平台。到目前为止,我们所做的一切都是在 CPU 上完成的。我们该如何使用更快的硬件呢?
+
+首先,我们应该使用 `is_available()` 方法检查 GPU 是否可用。
+
+!!! note "注意"
+ 如果您没有安装与 CUDA 兼容的 GPU 和 CUDA 驱动程序,本节中的可执行单元将无法执行任何与 GPU 相关的代码。
+
+```python
+if torch.cuda.is_available():
+ print('We have a GPU!')
+else:
+ print('Sorry, CPU only.')
+```
+
+输出:
+```shell
+We have a GPU!
+```
+
+一旦确定有一个或多个 GPU 可用,我们就需要将数据放到 GPU 可以看到的地方。CPU 在计算机 RAM 中对数据进行计算。而 GPU 则连接有专用内存。每当要在设备上执行计算时,必须将计算所需的所有数据移动到该设备可访问的内存中。(通俗地说,"将数据移至 GPU 可访问的内存 "简称为 "将数据移至 GPU")。
+
+将数据转移到目标设备上的方法有多种,可以在创建时进行:
+
+```python
+if torch.cuda.is_available():
+ gpu_rand = torch.rand(2, 2, device='cuda')
+ print(gpu_rand)
+else:
+ print('Sorry, CPU only.')
+```
+
+输出:
+```shell
+tensor([[0.3344, 0.2640],
+ [0.2119, 0.0582]], device='cuda:0')
+```
+
+默认情况下,新张量是在 CPU 上创建的,因此我们必须使用可选的 `device` 参数来指定何时在 GPU 上创建张量。您可以看到,当我们打印新张量时,PyTorch 会告诉我们它在哪个设备上(如果它不在 CPU 上)。
+
+您可以使用 `torch.cuda.device_count()` 来查询 GPU 的数量。如果有多个 GPU,可以通过索引指定:`device='cuda:0'`、`device='cuda:1'` 等。
+
+在编码实践中,使用字符串常量指定设备是非常不稳健的。在理想情况下,无论您使用的是 CPU 还是 GPU 硬件,您的代码都应该能稳定运行。为此,您可以创建一个设备句柄,将其传递给您的张量,而非字符串:
+
+```python
+if torch.cuda.is_available():
+ my_device = torch.device('cuda')
+else:
+ my_device = torch.device('cpu')
+print('Device: {}'.format(my_device))
+
+x = torch.rand(2, 2, device=my_device)
+print(x)
+```
+
+输出:
+```shell
+Device: cuda
+tensor([[0.0024, 0.6778],
+ [0.2441, 0.6812]], device='cuda:0')
+```
+
+如果在一个设备上已有一个张量,可以使用 `to()` 方法将其移动到另一个设备上。下面的代码在 CPU 上创建了一个张量,并将其移动到上一单元中获得的设备句柄。
+
+```python
+y = torch.rand(2, 2)
+y = y.to(my_device)
+```
+
+要知道,想进行涉及两个或多个张量的计算,所有张量必须在同一设备上。无论您是否拥有 GPU 设备,以下代码都会在运行时出错:
+
+```python
+x = torch.rand(2, 2)
+y = torch.rand(2, 2, device='gpu')
+z = x + y # exception will be thrown
+```
+
+## 操作张量形状
+有时,您需要改变张量的形状。下面,我们将介绍几种常见情况,以及如何处理它们。
+
+### 更改维数
+您可能需要更改维数的一种情况是,向模型传递单个输入实例。PyTorch 模型通常需要成批的输入。
+
+例如,想象一下有一个模型可以在 3 x 226 x 226 图像(一个具有 3 个颜色通道的 226 像素正方形)上工作。当您加载并转换它时,您会得到一个形状为 (`3`, `226`, `226`) 的张量。而您的模型则希望输入形状为(`N`,`3`,`226`,`226`)的张量,其中 `N` 是批次中图像的数量。那么,如何制作一个批次的图像呢?
+
+```python
+a = torch.rand(3, 226, 226)
+b = a.unsqueeze(0)
+
+print(a.shape)
+print(b.shape)
+torch.Size([3, 226, 226])
+torch.Size([1, 3, 226, 226])
+```
+
+`unsqueeze()` 方法添加了一个范围为 1 的维度,`unsqueeze(0)` 则将其添加为一个新的第零维度——现在您有了一批 1 的维度!
+
+所以这就是 _维度扩展( unsqueezing )_?维度压缩( squeezing )又是什么意思?实际上,范围为 1 的任何维度都 _不会_ 改变张量中元素的数量。
+
+```python
+c = torch.rand(1, 1, 1, 1, 1)
+print(c)
+```
+
+输出:
+```shell
+tensor([[[[[0.2347]]]]])
+```
+
+继续上面的例子,假设模型的输出是每个输入的 20 元素的向量。那么您就会期望输出的形状是 (`N`, `20`),其中 `N` 是输入批次中实例的数量。这意味着,对于单输入批次而言,我们将得到一个形状为(`1`,`20`)的输出。
+
+如果您想用该输出进行一些非批处理计算——只期望得到一个 20 元素的向量,该怎么办呢?
+
+```python
+a = torch.rand(1, 20)
+print(a.shape)
+print(a)
+
+b = a.squeeze(0)
+print(b.shape)
+print(b)
+
+c = torch.rand(2, 2)
+print(c.shape)
+
+d = c.squeeze(0)
+print(d.shape)
+```
+
+输出:
+```shell
+torch.Size([1, 20])
+tensor([[0.1899, 0.4067, 0.1519, 0.1506, 0.9585, 0.7756, 0.8973, 0.4929, 0.2367,
+ 0.8194, 0.4509, 0.2690, 0.8381, 0.8207, 0.6818, 0.5057, 0.9335, 0.9769,
+ 0.2792, 0.3277]])
+torch.Size([20])
+tensor([0.1899, 0.4067, 0.1519, 0.1506, 0.9585, 0.7756, 0.8973, 0.4929, 0.2367,
+ 0.8194, 0.4509, 0.2690, 0.8381, 0.8207, 0.6818, 0.5057, 0.9335, 0.9769,
+ 0.2792, 0.3277])
+torch.Size([2, 2])
+torch.Size([2, 2])
+```
+如果仔细观察上面单元格的输出,就会发现由于多了一个维度,打印 `a` 显示了一组“额外”的方括号 `[]`。
+
+您只能 `squeeze()` 范围为 1 的维数。请看上图,我们试图在 `c` 中压缩一个尺寸为 2 的维度,结果得到的形状和开始时一样。对 `squeeze()` 和 `unsqueeze()` 的调用只能作用于范围为 1 的维度,否则会改变张量中元素的数量。
+
+`unsqueeze() `的另一个用途是简化广播。回顾上面的示例,我们有如下代码:
+
+```python
+a = torch.ones(4, 3, 2)
+
+c = a * torch.rand( 3, 1) # 3rd dim = 1, 2nd dim identical to a
+print(c)
+```
+
+这样做的效果是在 0 维和 2 维上广播操作,导致随机的 3 x 1 张量与 `a` 中每一列的 3 元素相乘。
+
+如果随机向量只是 3 元素向量呢?我们将无法广播,因为根据广播规则,最终维数将不匹配。这时 `unsqueeze()` 就派上用场了:
+
+```python
+a = torch.ones(4, 3, 2)
+b = torch.rand( 3) # trying to multiply a * b will give a runtime error
+c = b.unsqueeze(1) # change to a 2-dimensional tensor, adding new dim at the end
+print(c.shape)
+print(a * c) # broadcasting works again!
+```
+
+输出:
+```shell
+torch.Size([3, 1])
+tensor([[[0.1891, 0.1891],
+ [0.3952, 0.3952],
+ [0.9176, 0.9176]],
+
+ [[0.1891, 0.1891],
+ [0.3952, 0.3952],
+ [0.9176, 0.9176]],
+
+ [[0.1891, 0.1891],
+ [0.3952, 0.3952],
+ [0.9176, 0.9176]],
+
+ [[0.1891, 0.1891],
+ [0.3952, 0.3952],
+ [0.9176, 0.9176]]])
+```
+
+`squeeze()` 和 `unsqueeze()` 也有原地版,`squeeze_()` 和 `unsqueeze_()`:
+
+```python
+batch_me = torch.rand(3, 226, 226)
+print(batch_me.shape)
+batch_me.unsqueeze_(0)
+print(batch_me.shape)
+```
+
+输出:
+```shell
+torch.Size([3, 226, 226])
+torch.Size([1, 3, 226, 226])
+```
+
+有时,您会希望更彻底地改变张量的形状,同时仍保留元素的数量和内容。其中一种情况发生在模型的卷积层和线性层之间的接口处——这在图像分类模型中很常见。卷积核会产生一个形状特征 _x 宽 x 高_ 的输出张量,但接下来的线性层希望得到一个一维的输入。`reshape()` 可以帮您做到这一点,前提是您想要的维数与输入张量的元素数相同:
+
+```python
+output3d = torch.rand(6, 20, 20)
+print(output3d.shape)
+
+input1d = output3d.reshape(6 * 20 * 20)
+print(input1d.shape)
+
+# can also call it as a method on the torch module:
+print(torch.reshape(output3d, (6 * 20 * 20,)).shape)
+```
+
+输出:
+```shell
+torch.Size([6, 20, 20])
+torch.Size([2400])
+torch.Size([2400])
+```
+
+!!! note "注意"
+ 上面单元格中最后一行的 `(6 * 20 * 20,)` 参数是因为 PyTorch 在指定张量形状时期望一个**元组**——但当方法的第一个参数是形状时,它允许我们欺骗一下,只使用一系列整数。在这里,我们必须添加括号和逗号,告诉方法这是一个单元素元组。
+
+如果可以,`reshape()` 会返回要更改的张量的视图——也就是说,一个单独的张量对象将查看同样的底层内存。这一点很重要:这意味着对源张量所做的任何更改都会反映在该张量的视图中,除非您 `clone()` 它。
+
+在某些情况下,`reshape()` 必须返回一个携带数据副本的张量,这超出了本介绍的范围。更多信息,请参阅[文档](https://pytorch.org/docs/stable/torch.html#torch.reshape)。
+
+## NumPy 桥接
+在上面关于广播的章节中,我们提到 PyTorch 的广播语义与 NumPy 的广播语义兼容,但 PyTorch 和 NumPy 之间的联系远不止于此。
+
+如果您现有的 ML 或科学代码中的数据存储在 NumPy ndarrays 中,您可能希望用 PyTorch tensors 来表达相同的数据,无论是利用 PyTorch 的 GPU 加速,还是利用它构建 ML 模型的高效抽象。在 ndarrays 和 PyTorch tensors 之间切换非常简单:
+
+```python
+import numpy as np
+
+numpy_array = np.ones((2, 3))
+print(numpy_array)
+
+pytorch_tensor = torch.from_numpy(numpy_array)
+print(pytorch_tensor)
+```
+
+输出:
+```shell
+[[1. 1. 1.]
+ [1. 1. 1.]]
+tensor([[1., 1., 1.],
+ [1., 1., 1.]], dtype=torch.float64)
+```
+
+PyTorch 创建了一个与 NumPy 数组形状、数据相同的张量,甚至保留了 NumPy 的默认 64 位浮点数据类型。
+
+这种转换也可以很容易地反过来:
+
+```python
+pytorch_rand = torch.rand(2, 3)
+print(pytorch_rand)
+
+numpy_rand = pytorch_rand.numpy()
+print(numpy_rand)
+```
+
+输出:
+```shell
+tensor([[0.8716, 0.2459, 0.3499],
+ [0.2853, 0.9091, 0.5695]])
+[[0.87163675 0.2458961 0.34993553]
+ [0.2853077 0.90905803 0.5695162 ]]
+```
+
+要知道,这些转换后的对象与其源对象使用的是相同的底层内存,也就是说,其中一个对象的变化会反映在另一个对象上:
+
+```python
+numpy_array[1, 1] = 23
+print(pytorch_tensor)
+
+pytorch_rand[1, 1] = 17
+print(numpy_rand)
+```
+
+输出:
+```shell
+tensor([[ 1., 1., 1.],
+ [ 1., 23., 1.]], dtype=torch.float64)
+[[ 0.87163675 0.2458961 0.34993553]
+ [ 0.2853077 17. 0.5695162 ]]
+```
\ No newline at end of file