从PyTorch官方的一篇教程说开去（6.1 - 张量 tensor 基本操作）

您的进步和反馈是我最大的动力，小伙伴来个三连呗！共勉。

其实深度学习的框架，出品最早的是谷歌的TensorFlow，我也有在前面的文章中有提到过G家的开创性，感兴趣的可以移步去看下 - 从PyTorch官方的一篇教程说开去（1 - 初心）-CSDN博客

但是事易时移，脸书家的PyTorch靠着python社区，在开发群体中变得更加流行。当然了，马斯克也献上了助攻。我们本篇只讨论应用，所以按下这个有点八卦的话头不提。

吐槽一下，实际上两个框架的底层都是C++，而不是python，从后面的输出风格就看的出来。而在了解和迎合学术界和社区方面，脸书是职业本能，确实硬压了G家的直男们一头。

人工智能的基础是矩阵，是向量（也就是本文主题的Tensor），我们在前篇中有展示过AI的大脑的样子。有兴趣的请看前面的文章 - 从PyTorch官方的一篇教程说开去（4 - Q-table来源及解决问题实例）-CSDN博客

为了走的更远，大家一起给“张量”这个词补补课哈。

方便展示，请在Jupiter中运行本篇中的代码。

1 - 创建原始数据:

import torch
import numpy as np

data = [[1,2],[3,4]]
print(data)

• 
• 这部分创建了一个 Python 列表，其中包含两个列表，用于模拟一个 2x2 的矩阵。

2 - 转换为 PyTorch 张量:

x_data = torch.tensor(data)
print(x_data)

• 
• 列表转换为一个张量

3 - 创建相同形状的全1张量:

x_ones = torch.ones_like(x_data)
print(f"Ones Tensor: \n {x_ones} \n")

• 

4 - 创建具有相同形状的随机张量:

x_rand = torch.rand_like(x_ones, dtype=torch.float)
print(f"Random Tensor: \n {x_rand} \n")

• 

5 - 创建不同形状的全0、全1和随机张量:

shape = (4,4)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)

print(f"Random Tensor: \n {rand_tensor} \n")
print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor} \n")

print (f"{rand_tensor.shape},\n{rand_tensor.dtype},\n{rand_tensor.device}")

• 

6 - 索引，切片和赋值操作:

print(f"{ones_tensor[0]}\n")
print(f"{ones_tensor[:,0]}\n")
print(f"{ones_tensor[...,-1]}\n")
ones_tensor[:,1] = 0
print(f"{ones_tensor}\n")

• 

7 - 张量的拼接操作:

t1 = torch.cat([ones_tensor,ones_tensor,ones_tensor],dim=1)
print(t1)

• 

该吃饭去了，未完，下一节继续哈~