一、 环境配置
在谷歌 Colab 上完成 pytorch 代码练习,它是一个 Jupyter 笔记本环境,已经默认安装好 pytorch,不需要进行任何设置就可以使用,并且完全在云端运行。使用方法可以参考 Rogan 的博客:https://www.cnblogs.com/lfri/p/10471852.html 国内目前无法访问 colab,可以安装 Ghelper: http://googlehelper.net/。
ps:参考课程courses.d2l.ai/zh-v2/
二、数据操作
n维数组即张量是基于向量和矩阵的推广。我们把标量视为零阶张量,向量视为一阶张量,矩阵视为二阶张量。(在pytorch中为tensor,在numpy中为ndarray)
首先,我们导入torch
。
import totch
1、张量的基本操作
x = torch.arange(12)
#可以使用arange创建一个行向量x。这个行向量包含从0开始的前12个整数,它们被默认创建为浮点数。
x.shape
#可以通过张量的shape属性来访问张量的形状
x.numel()
#可以通过张量的numel属性知道张量中元素的总数
X = x.reshape(3, 4)
#x.reshape(-1,4)
#x.reshape(3,-1)
#调用reshape函数改变一个张量的形状而不改变元素数量和元素值
2、张量的初始化
torch.zeros((2,3,4))
#使用全0初始化矩阵
torch.ones((2,3,4))
#使用全1初始化矩阵
torch.randn(3,4)
#使用从特定分布中随机采样的数字来初始化矩阵
torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
#赋予确定值
3、张量的运算
对于任意具有相同形状的张量,常见的标准算术运算符(+
、-
、*
、/
和**
)都可以被升级为按元素运算。我们可以在同一形状的任意两个张量上调用按元素操作。
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
还可以进行指数运算。
torch.exp(x)
我们也可以把多个张量连结。dim=0为行的叠加,dim=1为列的叠加。
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), torch.cat((X, Y), dim=1)
通过逻辑运算符构建二元张量。以X==Y
为例子。 对于每个位置,如果X
和Y
在该位置相等,则新张量中相应项的值为True&#