动手学深度学习Pytorch（一）——数据操作与预处理

张量（tensor）比Numpy的ndarray多一些重要功能。张量表示一个数组组成的数组。

• （1）GPU很好地支持加速计算，而Numpy仅支持CPU计算。
• （2）张量类支持自动微分。

1. 数据操作的实现

首先需要导入torch：

import torch

1.1 创建张量

有四种方式可以创建张量。

• 创建随机张量：rand(), randn(), empty()
• 创建指定类型张量：zeros(), ones(), arange()+reshape()
• 利用列表创建张量：torch.tensor([ ])
• 基于已知tensor创建tensor：torch.randn_like()

（1）创建随机张量

• randn
  利用torch.randn(x,y)创建随机张量。

torch.randn(2,3)

tensor([[ 0.0422, 0.8539, 0.6049],
[ 0.1894, -0.2011, 0.9607]])

• rand
  利用torch.rand(x,y)创建随机张量。

torch.rand(5,3)

tensor([[0.3854, 0.9028, 0.6086],
[0.5852, 0.8518, 0.0370],
[0.0108, 0.4854, 0.4645],
[0.1960, 0.2920, 0.4442],
[0.3127, 0.3314, 0.8453]])

• empty

torch.empty(5,3

tensor([[9.0919e-39, 8.4490e-39, 9.6429e-39],
[8.4490e-39, 9.6429e-39, 9.2755e-39],
[1.0286e-38, 9.0919e-39, 8.9082e-39],
[9.2755e-39, 8.4490e-39, 1.0194e-38],
[9.0919e-39, 8.4490e-39, 9.9184e-39]])

（2）创建指定类型张量

• arange + reshape
  利用torch.arrange(n)创建大小为n的从0到N-1的一维张量。在使用reshape()函数改变张量结构。

x = torch.arange(12)
print(x)
X = x.reshape(3,4)
print(X)

tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])

• zeros(), ones()
  创建指定结构的全为0或者全为1的张量。

torch.zeros