动手学深度学习day1（第二章：数据操作）

1.数据操作（详细见数p40）：
arange：

x = torch.arange(12)
print(x)

输出结果：
tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

 shape：

x = torch.arange(12)
x_shape = x.shape
print(x_shape)

x = torch.tensor([[1,2,7],
                  [2,3,8]])
print(x_shape)

输出结果：
torch.Size([12])
torch.Size([2，2])

numel：

x = torch.tensor([[1,2,7],
                  [2,3,8]])
x_nums = x.numel()
print(x_nums)

输出结果：
6

reshape：
 

x = torch.arange(12)
x_reshape = x.reshape([3,4])
print(x_reshape)

输出结果：
tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])

# 可以（[3，-1]）、（[-1，4]）来替代，他会自动计算行、列

zeros、ones、randn：
 

x = torch.zeros([3,5])
print(x)

x = torch.ones([3,5])
print(x)

x = torch.randn([3,5])
print(x)

输出结果：
tensor([[0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.]])
tensor([[1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.]])
tensor([[ 0.2923, -2.0526,  1.9701,  0.1231,  0.8780],
        [ 0.7613, -1.0972, -1.0927, -0.4669, -0.3353],
        [-0.9289,  0.6058, -0.8455,  2.6522, -1.6585]])

tensor：
 

x = torch.tensor([[1,2,7],[2,3,8]])

输出结果：
tensor([[1,2,7],
        [2,3,8]])

2.运算符（详细见数p42）：
矩阵之间的计算：
 

x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
x + y, x - y, x * y, x / y, x ** y # **运算符是求幂运算

输出结果：
(tensor([ 3., 4., 6., 10.]),
tensor([-1., 0., 2., 6.]),
tensor([ 2., 4., 8., 16.]),
tensor([0.5000, 1.0000, 2.0000, 4.0000]),
tensor([ 1., 4., 16., 64.]))

exp（）：
 

x = torch.tensor([[1,2,3],
                  [4,5,6]])
x = torch.exp(x)
print(x)

输出结果：
tensor([[  2.7183,   7.3891,  20.0855],
        [ 54.5981, 148.4132, 403.4288]])

张量进行拼接：

x = torch.arange(12,dtype=torch.float32).reshape([3,-1])
y = torch.tensor([[1.0,1,1,1],
                  [2,2,2,2],
                  [3,3,3,3]])
cat_1 = torch.cat((x,y),dim=0)  # dim=0，纵向拼接
cat_2 = torch.cat((x,y),dim=1)  # dim=1，横向拼接
 
print(cat_1)
print(cat_2)

输出结果：
tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.],
        [ 1.,  1.,  1.,  1.],
        [ 2.,  2.,  2.,  2.],
        [ 3.,  3.,  3.,  3.]])
tensor([[ 0.,  1.,  2.,  3.,  1.,  1.,  1.,  1.],
        [ 4.,  5.,  6.,  7.,  2.,  2.,  2.,  2.],
        [ 8.,  9., 10., 11.,  3.,  3.,  3.,  3.]])

判断两个张量相对位置的元素是否相等：

x = torch.arange(12,dtype=torch.float32).reshape([3,-1])
y = torch.tensor([[1.0,1,1,1],
                  [2,2,2,2],
                  [3,3,3,3]])
print(x==y)

输出结果：
tensor([[False,  True, False, False],
        [False, False, False, False],
        [False, False, False, False]])

对所有元素求和，输出一个单元素张量：

x = torch.arange(12,dtype=torch.float32).reshape([3,-1])
print(x.sum())

输出结果：
tensor(66.)

3.广播机制（p44）：
a和b张量的形状不同，a+b首先对其进行适当的复制，再进行求和

a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
a, b

输出结果：
(tensor([[0],
         [1],
         [2]]),
tensor([[0, 1]]))


a + b

输出结果：
tensor([[0, 1],
        [1, 2],
        [2, 3]])

4.索引和切片（p45）：

x = torch.arange(12)
print(x[-1])

x = torch.arange(12).reshape([3,-1])
print(x)
print(x[-1])        # 当x为一行时，访问最后一个元素；x为多维矩阵时，返回最后一行
print(x[-1,-1])
print(x[:,-1])      
print(x[0:2,2])     # 1，2行的第3列元素
print(x[0:2])       # x为多维矩阵时，[0:2]相当于[0:2，：]

输出结果：
tensor(11)
tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])
tensor([ 8,  9, 10, 11])
tensor(11)
tensor([ 3,  7, 11])
tensor([2, 6])
tensor([[0, 1, 2, 3],
        [4, 5, 6, 7]])

5.节省内存（p46）：

x = [1,2,3]
y = [2,3,4]
before = id(x)
x += y                # 此处不是赋值操作（x=x+y），而是把y加在x后面，因此原地址没变
# x[:]=x+y
print(x)
print(id(x)==before)

运行结果：
[1, 2, 3, 2, 3, 4]
True

6.转化为其他Python对象：

A = X.numpy()
B = torch.tensor(A)
type(A), type(B)

输出结果：
(numpy.ndarray, torch.Tensor)

a = torch.tensor([3.5])
a, a.item(), float(a), int(a)

输出结果：
(tensor([3.5000]), 3.5, 3.5, 3)