Pytorch入门操作

张量Tensor

各种数值数据都可以称之为张量。

• 0阶张量：标量、常数（scaler）        0-D Tensor
• 1阶张量：向量（vector）        1-D Tensor
• 2阶张量：矩阵（matrix）        2-D Tensor
• ……
• n阶张量

Tensor创建

import torch
import numpy as np

#列表创建tensor
t1=torch.Tensor([1,2,3])

#numpy创建tensor
t2=torch.tensor(np.array([[1,2],[3,4]]))

#由numpy创建tensor
t3=torch.from_numpy(np.array([[1,2],[3,4]]))

#torch的api创建
torch.empty(3,4)    #创建三行四列全为空的tensor，用无数据进行填充
torch.ones([3,4])    #创建三行四列全为1的tensor
torch.zeros([3,4])    #创建三行四列全为0的tensor
torch.rand([3,4])    #创建三行四列随机值的tensor，随机值区间为[0,1）
torch.randint(low=0,high=10,size=[3,4])    创建三行四列的区间为[0,10)的随机！整！数矩阵
torch.randn([3,4])    创建三行四列，均值为0方差为1的随机数矩阵

张量的方法和属性

• 获取tensor中的数据（当tensor中只有一个数据可用时）：tensor.item()
• 转化成numpy数组：tensor.numpy（）
• 由numpy数组转换成tensor：torch.from_numpy()
• 获取形状：tensor.size（）或 tensor.shape
• 改变形状：tensor.view((m,n))        不改变原来的值
                    tensor.reshape()           不改变原来的值
• 获取维度：tensor.dim（）
• 获取特殊值：tensor.max()   tensor.min()    tensor.std()   tensor.mean()    等
• 转置：tensor.t（）
             tensor.transpose(0,1)        序列为0的维度和序列为1的维度进行转置
             tensor.permute(0,1,2,……)        tensor有n维便要填入n个参数，对改变的维度转换 
             同样不改变原值
• 取值：tensor[dim1,dim2,……]
• 赋值：tensor[dim1,dim2,……]=a        赋值为a

Tensor的数据类型

• 获取数据类型：tensor.dtype
• 创建tensor时，指定其数据类型：t1=torch.tensor([1,2,3],dtype=torch.float32)
• 类型的转换：tensor.int()       tensor.float()等
• torch.Tensor和torch.tensor区别：
          全局默认数据类型为 ：tensor.float32
          torch.Tensor(),向其中传入数据创建tensor，效果同torch.FloatTensor()
          torch.tensor()中，可以指定数据类型

Torch的其他操作

x=torch.ones([5,3],dtype=torch.float32)
y=torch.rand(5,3)

#tensor和tensor相加（加减乘除）
x+y
torch.add(x,y)
x.add(y)            #这三种方法不会修改x和y的值

x.add_(y)           #会对x就地修改，相当于x=x+y    类似方法加_都是就地修改

#tensor和数字操作（加减乘除）
x+10

#CUDA中的tensor
torch.cuda.is_available()    可以检查是否支持CUDA

device=torch.device("cuda" if torch.cuda.is_available() else "cpu")   #建立device对象

a=torch.zeros([2,3])
a.to(device)    #转换到device对象上