0x02预备知识和基本操作

ndarry

简单来说按照我的理解来说，pytorch中的ndarry也就是terson，就是我们在numpy中常用的ndarry，两者的区别不大但是在底层实现和优化上可能有很大的不同

常见的N维数组中可以表示为：

1. 0维：一个点，一个类别、一个属性
2. 一维：一条线，一个向量，一个特征向量
3. 二维：矩阵、特征矩阵、数据集
4. 三维：RGB图片，宽*高*通道
5. 四维：多个RGB图片
6. 五维：视频批量

操作

索引元素

与numpy相差不大，着重记录一下不知道的这个用法：

a[::3, ::2]
# 行每三个跳着取，列每两个跳着取

回顾本节函数

torch.arange()
reshape()
torch.zeros((2, 3, 4))
torch.tensor([[2, 4, 3], [3, 4, 5], [6, 7, 8]])

x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])

x + y # 向量运算，遵循广播机制，注意不同维度下进行的广播机制的操作

# 矩阵操作
X = torch.arange(12, dtype=torch.float32).reshape((3, 4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])

torch.cat((X, Y), dim=0) # 第0维合并，横着堆起来
torch.cat((X, Y), dim=1)

# 矩阵索引

X[1:3] # 取出矩阵1~2行，跟numpy是一样的X[:, :]

# 执行原地操作，防止为结果分配内存
Z = torch.zeros_like(Y)
Z[:] = X + Y

# 转为numpy
X.numpy()