pytorch基础：tensor_sourcetensor.clone().detach()

import os
import cv2
import torch
 
if __name__ == "__main__":
    # 创建未初始化的矩阵
    x = torch.empty(5, 3)
    # 创建随机初始化矩阵
    x1 = torch.rand(5, 3)
    # 创建一个0填充的矩阵，数据类型为long
    # 注意 zeros 有s,类型参数为dtype 且是torch.long
    x2 = torch.zeros(5, 3, dtype=torch.long)
    # 创建并使用现有数据初始化
    x3 = torch.tensor([5.5, 3.3], requires_grad=True)
    print(x3)
    x4 = torch.tensor(x2)
    print(x4)
    # 不建议x4赋值方式，运行会提示
    # UserWarning: To copy construct from a tensor, it is recommended to use sourceTensor.clone().detach()
    # or sourceTensor.clone().detach().requires_grad_(True), rather than torch.tensor(sourceTensor).
 
    x5 = x3.clone().detach()  # clone会做一个当前计算图的copy，然后不影响主计算图
    print(x5)
    x5[1] = 1
    print(x3.grad, x5.grad)
 
    x6 = x3.detach()
    # 返回一个新的Variable，从当前计算图中分离下来的，但是仍指向原变量的存放位置,不同之处只是requires_grad为false，得到的这个Variable永远不需要计算其梯度，不具有grad。
    # 即使之后重新将它的requires_grad置为true,它也不会具有梯度grad
    # 使用detach返回的tensor和原始的tensor共同一个内存，即一个修改另一个也会跟着改变。
 
    print(x6)
    x6[1] = 1
    print(x3.grad, x6.grad)
    print(x3, x6)
 
    # 根据现有张量创建张量，会重用输入张量的属性，除非设置新的值覆盖
    x7 = x1.new_ones(5, 4)  # new_* 创建对象
    print(x7)
    x8 = torch.randn_like(x3)
    print(x8)
 
    # size
    x.size()
 
    # view
    x9 = torch.randn(4, 4)
    y = x9.view(16)
    z = x9.view(-1, 8)  # size -1 从其他维度推断
    print(x.size(), y.size(), z.size())
 
    # .item()
    print(x1[0][0].item())
 
    # 转换为numpy
    y1 = x.numpy()
    print(y1)
    # numpy 转torch
    y2 = torch.from_numpy(y1)
    print(y2)
    # 所有的 Tensor 类型默认都是基于CPU, 使用.to 方法 可以将Tensor移动到任何设备中
    y2.to("cpu", torch.double)  # ``.to`` 也会对变量的类型做更改