【笔记】动手学深度学习-张量

tensor中文文档

#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

访问数据