pytorch学习笔记-1

pytorch -张量数据类型

>>>import torch
>>>a = torch.rand(2, 3)
>>>a.type()
'torch.FloatTensor'

>>>type(a)
<class 'torch.Tensor'>

>>>a = a.cuda()
>>>a.type()
'torch.cuda.FloatTensor'

数据的shape、dimension对应关系：

数据-tensor	shape	dimension
2	()	0
[1, 2]	(2,)	1
[[1, 2, 3], [4, 5, 6]]	(2, 3)	2

shape形状，是数据中括号从外到内元素的个数
dimension维度，可以看做中括号的层数，也可看做shape的长度，即len(shape)

创建一个Tensor

1. import from numpy

import numpy as np
import torch

a = np.array([1, 2, 3])
torch.from_numpy(a)

2. import from list

a = [2., 2.3]
torch.tersor(a)

3. 生成未初始化数据

torch.empty((2, 3))  #其中（2， 3）是指数据的shape

torch.FloatTensor(3, 1, 28, 28) #其中(3, 1, 28, 28)是指数据的shape

torch.IntTensor(3, 1, 28, 28) #其中(3, 1, 28, 28)是指数据的shape

4. 生成随机数据

rand/rand_like, randint

>>>torch.rand(3, 3)
tensor([[0.0519, 0.4571, 0.4115],
        [0.1732, 0.2063, 0.1103],
        [0.0497, 0.4221, 0.0586]])
       
>>>a = torch.rand(3, 3)
>>>torch.rand_like(a)
tensor([[0.2874, 0.0930, 0.7999],
        [0.9568, 0.2783, 0.3156],
        [0.9964, 0.8501, 0.7862]])

>>>torch.randint(1, 10, (3, 3)) #生成随机数范围[1, 10) shape=(3, 3)
tensor([[1, 2, 8],
        [7, 7, 8],
        [2, 2, 4]])

randn, normal-正态分布

>>>torch.randn(3, 3) #N(0, 1) 均值为0 方差为1
tensor([[-1.0693, -1.0430,  0.1060],
        [-1.6887,  0.3978,  0.0073],
        [-0.3279,  1.9762,  1.7079]])

5. 特殊数据

full

>>>torch.full((2, 3), 7)
tensor([[7, 7, 7],
        [7, 7, 7]])

arange-等差数列

>>>torch.arange(0, 10)
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

linspace/logspace-等差数列

>>>torch.linspace(0, 10, steps=4) # 数组起始为0，终止为10， 数组长度为4
tensor([ 0.0000,  3.3333,  6.6667, 10.0000])
>>>torch.linspace(0, 10, steps=11)
tensor([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])

>>>torch.logspace(0, -1, steps=10) #起始为10^0， 终止为10^-1， 10的指数等差分布，数组长度为10
tensor([1.0000, 0.7743, 0.5995, 0.4642, 0.3594, 0.2783, 0.2154, 0.1668, 0.1292,
        0.1000])
>>>torch.logspace(0, -1, base=1, steps=10) #base为底数
tensor([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])

ones/zeros/eye-全1、全0、对角矩阵

>>>torch.ones((3, 3))
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])
        
>>>torch.zeros((3, 3))
tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])
        
>>>torch.eye(3)
tensor([[1., 0., 0.],
        [0., 1., 0.],
        [0., 0., 1.]])

randperm-随机打散

>>>torch.randperm(10)
tensor([8, 2, 3, 0, 7, 1, 5, 4, 6, 9])

# 举例 a表记录了两个人的三门课程成绩，b记录了这两个人的另外两门成绩，现在要将两个人的排序乱序，但表的信息不能乱
>>>a = torch.rand(2, 3)
>>>b = torch.rand(2, 2)
>>>a
tensor([[0.3939, 0.0127, 0.3936],
        [0.7625, 0.7905, 0.1113]])
>>>b
tensor([[0.0291, 0.8980],
        [0.2153, 0.8673]])
        
>>>index = torch.randperm(2)
>>>index
tensor([0, 1])
>>>index = torch.randperm(2)
>>>index
tensor([1, 0])

>>>a[index]
tensor([[0.7625, 0.7905, 0.1113],
        [0.3939, 0.0127, 0.3936]])
>>>b[index]
tensor([[0.2153, 0.8673],
        [0.0291, 0.8980]])