Libtorch 张量基础

include 目录中包含了各种头文件，每个头文件对一类操作。
python 目录中有对应的 python 脚本。

1. 创建张量

大部分接口的用法和 PyTorch 相比可以说极为相似，唯一需要注意就是用 {} 代替 () 作为参数 size 的输入。

torch::Tensor a = torch::zeros({2, 3});
torch::Tensor b = torch::ones({2, 3});
torch::Tensor c = torch::eye(3);
torch::Tensor d = torch::full_like(a, 10);
torch::Tensor e = torch::randn({2, 3});
torch::Tensor f = torch::arange(10);
torch::Tensor g = torch::tensor({{1, 2}, {3, 4}});

2. 张量索引和切片

张量支持运算符 [] 但是不能如 [i,j,k] 这样使用。如果想要更加灵活的切片需要使用 torch::indexing 空间中的相关类如 Slice。Slice(None) 类似 Numpy 中的 : 或 ... 操作符，表示所有。

torch::Tensor a = torch::randn({2, 3, 4});
torch::Tensor b = a[1];
torch::Tensor c = a.index({1, 2, 3});        // 等同 a[1][2][3]
torch::Tensor d = a.index({Slice(None), 2}); // 等同 a.index({"...", 2})
torch::Tensor e = a.index({Slice(None), Slice(None), Slice(None, None, 2)});
torch::Tensor f = a.index_select(-1, torch::tensor({1, 1, 0}));

3. 张量属性

获取张量属性的方法，除了 shape 属性（或者 size() 函数）变为了 sizes() 函数，其余常用的基本上和 PyTorch 一致。

torch::Tensor a = torch::randn({2, 3});
std::cout << a.size(1) << std::endl;
std::cout << a.sizes() << std::endl;
std::cout << a[0].sizes() << std::endl;
std::cout << a[0][0].item<float>() << std::endl;
std::cout << a.data() << std::endl;
std::cout << a.dtype() << std::endl;
std::cout << a.device() << std::endl;

4. 张量变换

不支持形如 .T 的操作，另外 transpose() 函数的用法也与 PyTorch 稍有区别，但是都支持 .t()。

torch::Tensor a = torch::randn({2, 3});
torch::Tensor b = a.transpose(0, 1);
torch::Tensor c = a.reshape({-1, 1});
torch::Tensor d = a.view({3, 2});
torch::Tensor e = a.toType(torch::kFloat32);

5. 张量计算

各种常见的 API 用法基本与 PyTorch 一致。

torch::Tensor a = torch::ones({3, 3});
torch::Tensor b = torch::randn({3, 3});
torch::Tensor c = a.matmul(b);
torch::Tensor d = a.mul(b);
torch::Tensor e = torch::cat({a, b}, 0);
torch::Tensor f = torch::stack({a, b});

LibTorch 大部分 API 和 PyTorch 命名和使用逻辑都基本一致，稍加熟悉就可以了。