我就基本的解释一下吧，！

一、torch.manual_seed(seed)

功能： 用于手动设置 PyTorch 的随机数生成器的种子。当你设置了一个特定的种子后，后续所有依赖随机数生成的操作都会产生可重复的结果。
参数： seed 是一个整数，取值范围通常是 32 位整数范围（-2147483648 到 2147483647）。

示例代码如下：

import torch

# 设置随机种子
torch.manual_seed(42)
# 生成随机张量
tensor1 = torch.randn(2, 2)
print(tensor1)

# 再次设置相同的种子
torch.manual_seed(42)
tensor2 = torch.randn(2, 2)
print(tensor2)

# 验证两次生成的张量是否相同
print(torch.allclose(tensor1, tensor2))  # 输出 True

运行结果如下图：

（一般还有个torch.seed()但是被弃用了，因为每次都是随机的结果，在科研啥的，一般都手动指定随机数种子，）

先解释一下，什么是随机数种子：
PyTorch 中随机数种子的作用原理
随机数种子就像是随机数生成器的起始状态标识。在 PyTorch 里，随机数生成器是基于特定的算法（如 Mersenne Twister 算法）来工作的。当你设置一个随机数种子时，实际上是将随机数生成器初始化为一个特定的状态。

从这个特定状态开始，随机数生成器会按照固定的算法规则生成一系列随机数。只要种子不变，每次从这个状态开始生成的随机数序列都是相同的。这就保证了在相同的代码和相同的种子设置下，每次运行代码时，所有依赖随机数生成的操作（如初始化模型权重、打乱数据集等）都会产生相同的结果，从而实现实验的可重复性。

例如，在神经网络训练中，我们通常会随机初始化模型的权重。如果不设置随机数种子，每次运行代码时权重的初始化值都不同，那么模型的训练结果也会有差异，不利于实验结果的对比和分析。而通过设置固定的随机数种子，我们可以确保每次运行代码时模型的初始权重是相同的，这样就可以更准确地评估不同训练参数或方法对模型性能的影响。

二、torch.cuda.manual_seed(seed)

功能： 专门为 CUDA 设备（即 GPU）设置随机数种子。如果你的代码在 GPU 上运行，使用这个函数可以确保在 GPU 上的随机操作具有可重复性。
参数： seed 同样是一个整数。

import torch

if torch.cuda.is_available():
    # 为 CUDA 设备设置随机种子
    torch.cuda.manual_seed(42)
    # 在 GPU 上生成随机张量
    device = torch.device("cuda")
    tensor = torch.randn(2, 2).to(device)
    print(tensor)

注意：没有CUDA的就别跑了，会报错的。

三、torch.rand(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

功能： 生成指定形状的服从均匀分布的随机数张量，取值范围是 [0, 1)。
参数：
*size： 张量的形状，例如 (2, 3) 表示生成一个 2 行 3 列的张量。
out： 可选参数，用于指定输出张量。
dtype： 张量的数据类型。
layout： 张量的布局，一般使用默认的 torch.strided。
device： 张量存储的设备，如 ‘cpu’ 或 ‘cuda’。
requires_grad： 是否需要计算梯度。

import torch

# 生成一个 2 行 3 列的随机张量
random_tensor = torch.rand(2, 3)
print(random_tensor)

示例结果：

四、给大家写一个常用的自动选择电脑cuda 或者cpu 的小技巧

import torch

# 判断 CUDA 是否可用
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"Using device: {device}")

五、torch.version.cuda；torch.backends.cudnn.version()；打印cuda、cudnn版本

import torch

# 判断 CUDA 是否可用
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

print(f"Using device: {device}")

print(torch.cuda.is_available()) #查看是否有cuda
print(torch.backends.cudnn.is_available()) #查看是否有cudnn
print(torch.version.cuda) #打印cuda的版本
print(torch.backends.cudnn.version()) #打印cudnn的版本

我的运行结果如下：

大家如果有安装环境有问题的也可以私信我哦~

六、torch.autograd.grad()自动求梯度

torch.autograd.grad()用于求取梯度；
函数原型：
torch.autograd.grad(outputs, inputs, grad_outputs=None, retain_graph=None, create_graph=False, only_inputs=True, allow_unused=False)

outputs：
类型：Tensor 或 Tensor 列表
描述：目标张量，即需要计算梯度的张量。
inputs：
类型：Tensor 或 Tensor 列表
描述：输入张量，用于计算梯度的张量。
grad_outputs（可选）：
类型：Tensor 或 Tensor 列表
描述：目标张量对应的梯度。如果outputs 是一个标量，则 grad_outputs 不需要指定；如果 outputs 是一个张量或张量列表，需要指定 grad_outputs 的形状与之对应。
retain_graph（可选，默认值：None）：
类型：布尔值
描述：是否保留计算图。在默认情况下，计算图在反向传播后会被释放以节省内存。如果需要多次反向传播同一个计算图，可以设置为 True。
create_graph（可选，默认值：False）：
类型：布尔值
描述：是否创建新的计算图。如果设置为 True，梯度计算将被跟踪，生成的梯度张量将保留计算图，从而允许进行高阶导数的计算。
only_inputs（可选，默认值：True）：
类型：布尔值
描述：是否只计算输入张量的梯度。如果设置为 True，仅输入张量的梯度会被计算。
allow_unused（可选，默认值：False）：
类型：布尔值
描述：是否允许输入张量未被使用。如果某些输入张量未被 outputs 使用，并且没有被计算梯度，则会抛出错误。如果设置为 True，这些未使用的输入张量的梯度将返回为 None。
返回值
类型：Tensor 或 Tensor 列表
返回对应输入张量的梯度。

outputs：是你希望对其进行求导的标量

import torch

# 创建两个张量，requires_grad=True 表示需要计算梯度
x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
y = torch.tensor([4.0, 5.0, 6.0], requires_grad=True)

# 定义一个函数 z = x * y
z = x * y

# 使用 torch.autograd.grad() 计算梯度
grad_z_x = torch.autograd.grad(outputs=z, inputs=x, grad_outputs=torch.ones_like(z))

print("梯度 dz/dx:", grad_z_x)

---

后面如果还有什么用到的，我会在这继续更新…ing!