Pytorch张量

目录

1.概念介绍

2.基本操作

创建tensor 可以直接使用python列表或者ndarray创建tensor

tensor的属性

tensor的基本数据类型

ndarray可以和tensor进行转换​编辑

张量运算

聚合运算

 跟numpy操作ndarray一样，可以进行索引和切片

矩阵操作 torch.matmul() ​编辑

---

1.概念介绍

1. 1.和tensorflow的tensor一样，它的张量也叫tensor
2. tensor和numpy的ndarray一个意思，只不过tensor可以在GPU上加速计算

2.基本操作

创建tensor 可以直接使用python列表或者ndarray创建tensor

列表

torch.tensor([6,2],dtype = torch.int32)

注意，指定数据类型的方法和tensorflow不一样 tf.int32

元组

torch.tensor((6,2))

ndarray

torch.tensor(np.array([6,2]))

快速创建tensor的方法，和numpy的routines方法一样

ones,zeros,full,eye,random,normal,random.rand,random.random,arange

#创建一个0~1之间的随机数值组成的tensor
#2行3列
torch.rand(2,3)
torch.rand((2,3))

tensor的属性

1. shape，size

可以通过shape或size获取tensor的形状, size可以具体制定获取哪一个维度的形状大小:

x = torch.ones(2,3,4)
print(x.shape)
#torch.Size([2,3,4])
#还可以通过size方法
x.size()
#size中可以传入某一维度，即shape的索引,从0开始
x.size(1)#3

tensor的基本数据类型

- 32位浮点型： torch.float32
- 64位浮点型： torch.float64
-  32位整型： torch.int32
- 16位整型： torch.int16
- 64位整型： torch.int64  

1. 可以在创建tensor的时候通过dtype指定数据类型:

x = torch.tensor([6, 2], dtype=torch.float32)

# 通过.type转换数据类型
x.type(torch.int64)

注意：tensorflow不能直接用tensor方法创建tensor；tensorflow提供constant常量，Variable变量

tensorflow更像自己的一个独立系统===TensorFlow中定义的数据叫做Tensor(张量), Tensor又分为常量和变量.

ndarray可以和tensor进行转换

from_numpy()

函数torch.from_numpy()提供支持将numpy数组转换为PyTorch中的张量。它期望输入为numpy数组(numpy.ndarray)。输出类型为张量。返回的张量和ndarray共享相同的内存。返回的张量不可调整大小。当前它接受具有numpy.float64，numpy.float32，numpy.float16，numpy.int64，numpy.int32，numpy.int16，numpy.int8，numpy.uint8和numpy.bool的dtypes的ndarray。

参数：
ndarray：输入Numpy数组(numpy.ndarray)

返回类型：与x具有相同类型的张量。

pandas.DataFrame，pandas.Series与NumPy配列numpy.ndarray相互转换

• 获取具有DataFrame系列的值属性的ndarray
• 从NumPy数组ndarray生成DataFrame
• pandas.DataFrame和pandas.Series都可以获取带有值属性的NumPy数组numpy.ndarray。

• 从NumPy数组ndarray生成pandas.DataFrame，Series

  可以在pandas.DataFrame和pandas.Series的构造函数的第一个参数数据中指定NumPy数组numpy.ndarray。

• 将numpy.ndarray传递给构造函数pandas.DataFrame（）和pandas.Series（）时，共享内存。更改一个值也会更改另一个值。

• a = np.array([[1, 2, 3], [4, 5, 6]])
  df_a = pd.DataFrame(a, columns=['a', 'b', 'c'])
  
  #如果不想共享内存，请使用numpy.ndarray的copy（）将copy指定为构造函数的参数。
  df_a_copy = pd.DataFrame(a.copy(), columns=['a', 'b', 'c'])

  to_numpy（）方法已添加到pandas.DataFrame和pandas.Series。返回numpy.ndarray，类似于上面的属性值。

• df = pd.DataFrame(data=[[1, 2, 3], [4, 5, 6]], columns=['a', 'b', 'c'])
  print(df)
  #    a  b  c
  # 0  1  2  3
  # 1  4  5  6
  
  a = df.to_numpy()
  print(a)
  # [[1 2 3]
  #  [4 5 6]]
  
  print(type(a))
  # <class 'numpy.ndarray'>
  
  ————————————————
  版权声明：本文为CSDN博主「饺子大人」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
  原文链接：https://blog.csdn.net/qq_18351157/article/details/111433799

1. numpy()

1. 对比tensorflow的tensor和ndarray互相转化

Pandas.DataFrame是数字和字符串的组合，是对象类型ndarray。

t = tf.constant([[1., 2., 3.], [4., 5., 6.]])

输出： 

tf.Tensor(
[[1. 2. 3.]
 [4. 5. 6.]], shape=(2, 3), dtype=float32)

# .numpy()可以把tensor转化为ndarray
print(t.numpy())

np_t = np.array([[1., 2., 3.], [4., 5., 6.]])
# 直接使用ndarray生成一个tensor
print(tf.constant(np_t))

张量运算

1. tensor的运算规则和numpy的运算规则很类似:

   x = torch.ones(2, 3)
   
   # 和单个数字运算, tensor中每个元素分别和这个数字运算
   x + 3
   
   torch.add(x,3)

   两个tensor相加，注意形状必须相同，element-wise，残差网络中是否有shortcut与主分支相加的操作

   # 两个形状相同的tensor进行运算, 对应位置元素分别运算.
   x + x1
   
   # 也可以调用pytorch的运算方法, 结果是一样的
   x.add(x1)
   

   注意以上相加的操作不改变原值，而是新生成一个tensor，跟tnesorflow操作常量一致

2. pytorch中带_的操作都会改变原值

# 加了下划线表示对x本来的值进行修改
x.add_(x1)

1. 改变形状 shape() /view()都可以

   # 改变tensor的形状, 使用.view, 相当于numpy中的reshape
   x.view(3, 2)
   x.view(-1, 1)

   聚合运算

x.mean()
#求平均值
x.sum()
#求和
#指定维度，dim关键字，不指定时，默认会把所有维度聚合掉
x.sum(dim=1)

取出tensor的值

1. 只有一个元素的tensor叫scalars(标量)（只有它才能用item方法），多个数据(用[]括起来)的tensor叫向量 

# 单个元素的张量使用.item()转化为python数据
x = x.mean()
x.item()
# 输出一个数字

对比tensorflow 

只有一个元素的tensor也叫scalars(标量)

取出常量的值 .numpy()，此时shape()输出为（）

# scalar
t = tf.constant(2.718)
print(t.numpy())
print(t.shape)

'''
2.718
()
'''

1.  如何取出多个值

跟numpy操作ndarray一样，可以进行索引和切片

索引：获取数组中特定位置元素的过程
切片：获取数组中特定片段元素的过程

VS tensorflow 

t = tf.constant([[1., 2., 3.], [4., 5., 6.]])

# 可以像numpy的ndarray一样使用tensor
print(t)
print(t[:, 1:])
print(t[..., 1]) # 或t[:, 1]

练练手

输入CNN的图片数据shape

不要的维度写0，要的维度写：表示全部都要 

矩阵操作 torch.matmul() 

注意，pytorch中dot用于向量的乘法，且必须是一维向量