"""
1.1.1 入门操作
首先,我们要理解什么是**tensor**,如何创建tensor,如何查询tensor的各种属性,同时tensor又可以做什么事情。
tensor译为张量,在数学意义上,这是一个n维数组,也可以理解为矩阵。
"""import torch
#创建一个tensor --即为张量
x = torch.arange(12)#这是创建一个有12个元素的tensor,从0开始到11(按序)print(x)#查询tensor的形状print(x.shape)#重新改变tensor的形状
X = x.reshape(3,4)print(X)print(X.shape)#查询tensor的大小print(x.numel())print(X.numel())#这边需要注意一下numel()和shape()的区别#创建全为1或全为0的tensorprint(torch.zeros(2,3,4))#这里的2可以理解为2个print(torch.ones(2,3,4))#创建随机数的tensorprint(torch.randn(3,4))#其中的每个元素都从均值为0、标准差为1的标准高斯分布(正态分布)中随机采样#创建指定行列,指定元素值的tensorprint(torch.tensor([[1,2,3,4],[5,6,7,8],[9,10,11,12]]))"""
1.1.2 张量与运算符
元素或张量之间的数学运算才是我们需要掌握的内容,单纯的数据输入并不刻意完成相关的学习任务
这里详细介绍张量的运算符运算、连结运算等
"""#具有相同形状的张量运算,本质上就是对相对应元素的运算
x = torch.tensor([1,2,3,4])
y = torch.tensor([1.0,2.0,2,1])print(x + y)print(x - y)print(x * y)print(x / y)#从结果可知,这里的运算会之间转换成浮点型运算print(x ** y)#求幂运算 即e的n次方print(torch.exp(x))#张量的连结
X = torch.arange(12, dtype=torch.float32).reshape((3,4))
Y = torch.tensor([[2.0,1,4,3],[1,2,3,4],[4,3,2,1]])print(torch.cat((X,Y), dim =0))print(torch.cat((X,Y), dim =1))#这里需要解释一下dim的意义,在课程中翻译为轴,也可以理解为维数,0维相当于是按行排列,1维相当于按列排列,这里的X和Y都是(3,4)的tensor#即仅只有行与列两个维度,那么0代表第一个维度,1代表第二个维度#同样,若两个张量的形状相同,也可以互相比较print(X == Y)#张量的各个元素之间也可以进行求和print(X.sum())"""
1.1.3 广播机制
在数学意义上,广播机制表现为矩阵相加
通过以下例子来解释
"""
a = torch.arange(3).reshape((3,1))
b = torch.arange(2).reshape(1,2)print(a)print(b)
c = a + b #c的产生过程就是将a和b两个张量看作矩阵来进行相加print(c)"""
1.1.4 索引与切片
索引与切片是Python的基础内容,张量同样具有这两个性质
"""#pytorch中支持倒序索引,即0代表第一个元素,-1代表最后一个元素 以Y为例print(Y[-1])print(Y[1:3])#元素的索引写入
Y[1,2]=10print(Y)
Y[0:2,:]=100#这个就相对比较复杂,相当于将前两行加所有列的元素改为100print(Y)"""
1.1.5 节约内存
当我们给一个变量指向张量1,若将其再指向张量2,那么原本存放张量1的那块内存空间就会释放,从而指向张量2所在的内存空间或为张量2创建一块内存空间,这里可以通过id()这个函数来进行演示
同样,若一直要分配新的内存,也可能引发一系列的问题,因此也有原地操作内存的方法
"""print(id(X))print(id(Y))
Y = Y + X
print(id(Y))#可以发现,张量Y指向了一个新的内存空间#接下来演示如何原地操作内存
Z = torch.zeros_like(Y)print(id(Z))
Z[:]= X + Y
print(id(Z))"""
1.1.6 不同Python对象之间的转换
由于不同的深度学习框架对张量的定义不一定一样,所以Python也提供了不同类型数据之间的转换
"""
A = X.numpy()
B = torch.tensor(A)print(type(A))print(type(B))#同样也可以进行数据类型之间的转换
a = torch.tensor([3.5])
a, a.item(),float(a),int(a)