pytorch深度学习和图神经

PyTorch是一个基于Python的机器学习框架，旨在为深度学习算法创建和训练神经网络提供支持。同时，PyTorch通过可处理图形数据的强大工具集和丰富的API，也成为了图神经网络的首选框架。

深度学习技术中常出现的“张量”，是PyTorch中一种底层的数据结构。PyTorch中的张量可以是一个标量（0维张量）、一个向量（1维张量）、矩阵（2维张量）或 n 维张量。通过张量的概念，我们可以方便地表示我们的计算和数据结构。

通过以下案例，我们可以更好地理解张量的概念和使用方法。

张量的基本操作

首先，我们需要导入相应的Python库和PyTorch库。

import torch
import numpy as np

初始化一个张量:

x = torch.rand(4, 3)
print(x)

输出：

tensor([[0.5889, 0.8885, 0.2950],
        [0.1803, 0.6748, 0.1747],
        [0.2828, 0.7704, 0.9935],
        [0.5472, 0.3707, 0.2594]])

张量的加法:

x = torch.rand(5, 6)
y = torch.rand(5, 6)
z = x + y
print(z)

输出：

tensor([[0.9140, 1.2701, 1.7605, 1.3770, 1.5047, 1.2503],
        [1.5094, 1.3291, 1.6784, 0.7362, 1.3071, 0.8470],
        [0.7230, 1.3470, 0.5989, 0.6937, 0.8145, 0.8351],
        [0.6565, 1.0574, 0.4517, 0.7198, 0.7434, 0.9971],
        [1.4442, 0.7983, 0.9307, 0.3265, 1.0472, 1.3624]])