【week1】张量的操作与线性回归

【week1】张量的操作与线性回归

张量的拼接与切分

torch.cat()

功能：将张量按维度dim进行拼接。

参数：

• tensor：张量序列
• dim：要拼接的维度

torch.stack()

功能：在新创建的维度dim进行拼接

参数：

• tensor：张量序列
• dim：要拼接的维度

注：stack会扩充张量的维度，cat不会改变张量的维度

torch.chunk()

功能：将张量按维度dim进行平均切分

返回值：张量列表

**注：**若不能整除，最后切分出来的张量会小于其他的张量。不能整除的时候，张量的维度是向上取整的。最后切分完的维度相加要等于被切分的张量维度。

参数：

• input：要切分的张量
• chunks：要切分的份数
• dim：要切分的维度

torch.split()

功能：将张量按维度dim进行切分

返回值：张量的列表

参数：

• tensor：要切分的张量
• split_size_or_sections：为int时，表示每一份的长度；为list时，按list元素切分
• dim：要切分的维度

张量索引

torch.index_select()

功能：在维度dim上，按index索引数据

返回值：依index索引数据拼接的张量

• input：要索引的张量
• dim：要索引的维度
• index：要索引数据的序号

注：index是一个tensor的时候，数据dtype只能是torch.long类型。

torch.masked_select()

功能：在mask中的ture进行索引

返回值：一维张量

参数：

• input：要索引的张量
• mask：与input同形状的布尔类型的张量

注：t = torch.randint(0, 9, size=(3, 3))

mask = t.ge(5)

t_select = torch.masked_select(t, mask)

ge是大于等于5；gt大于；le小于等于；lt小于

张量变换

torch.shape()

功能：变换张量形状

注：当张量在内存中是连续时，新张量与input共享数据内存

参数：

• input：要变换的张量
• shape：新张量的形状

注：shape为-1的时候表示该维度的大小由程序自己计算。

t = torch.randperm(8)

t_reshape = torch.reshape(t, (-1, 2, 2))

torch.transpose()

功能：交换两个张量的维度

参数：

• input：要变换的张量
• dim0：要交换的维度
• dim1：要交换的维度

注：常用在图像预处理中，有时候读取是c×h×w，要转为h×w×c，只能相邻维度转换

torch.t()

功能：2维张量转置，对矩阵而言，等价于

torch.transpose(input,0,1)

torch.squeeze()

功能：压缩长度为1的维度（轴）

参数：

• dim：若为None，移除所有长度为1的轴；若指定维度，当且仅当该轴长度为1时，可以被移除

torch.unsqueeze（）

功能：依据dim扩展维度

• dim：扩展的维度

张量的数学运算

一、加减运算

二、对数，指数，幂函数

三、三角函数

torch.add()

功能：逐元素计算input+alpha×other

参数：

• input：第一个张量
• alpha：乘项因子
• other：第二个张量

注：torch.addciv（）加法除法

​ torch.addcmul() 加法乘法

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-XCmYvIMK-1604730036592)(F:\XN\学习笔记\深度之眼\1.jpg)]

线性回归

求解步骤：

1.确定模型

​ Model ：y = wx + b

2.选择损失函数

​ MSE = [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-YWN2yOZB-1604730036598)(F:\XN\学习笔记\深度之眼\2.jpg)]

3.求解梯度并更新w,b：

​ w = w-LR*w.grad

.确定模型

​ Model ：y = wx + b

2.选择损失函数

​ MSE = [外链图片转存中…(img-YWN2yOZB-1604730036598)]

3.求解梯度并更新w,b：

​ w = w-LR*w.grad

			 b = b-LR*w.grad