#按照字母排序
import torch
张量表示一个数值组成的数组,这个数组可能有很多维度
torch.arange()
torch.cat()
torch.exp(x)
取指数e^x
torch.from_numpy(ndarray)
从 numpy 创建 tensor。利用这个方法创建的 tensor 和原来的 ndarray 共享内存,当修改其中一个数据,另外一个也会被改动。
代码示例:
arr = np.array([[1, 2, 3], [4, 5, 6]])
t = torch.from_numpy(arr)
# 修改 array,tensor 也会被修改
# print("\n修改arr")
# arr[0, 0] = 0
# print("numpy array: ", arr)
# print("tensor : ", t)
# 修改 tensor,array 也会被修改
print("\n修改tensor")
t[0, 0] = -1
print("numpy array: ", arr)
print("tensor : ", t)
输出为:
修改tensor
numpy array: [[-1 2 3]
[ 4 5 6]]
tensor : tensor([[-1, 2, 3],
[ 4, 5, 6]], dtype=torch.int32)
torch.normal(means, std, out=None):
返回一个正态分布的张量
means为期望,std为方差,
torch.shape/torch.reshape(x,y,z...)
torch.tensor():创建
torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)
data: 数据,可以是 list,numpy
dtype: 数据类型,默认与 data 的一致
device: 所在设备,cuda/cpu
requires_grad: 是否需要梯度
pin_memory: 是否存于锁页内存
torch.zeros(x,y,z...)/torch.ones(x,y,z...)/torch.tensor()
"+ - * / **"
x==y
向量每一项都进行判断,返回true或false
x.sum()
求和