N维数组
一个类别(0d):标量
一个特征向量(1d):向量
一个样本特征矩阵(2d):矩阵
RGB图片(3d):宽 × 高 × 通道
一个RGB图片批量(4d):批量大小 × 宽 × 高 × 通道
一个视频批量(5d):批量大小 × 时间 × 宽 × 高 × 通道
创建数组
形状、每个元素的数据类型、每个元素的值
访问元素
数据操作
import torch
# 张量表示一个数值组成的数组,这个数组可能有多个维度
x = torch.arange(12) # tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
x_size = x.shape # torch.Size([12])
x = torch.tensor([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]]) # 两层括号表示2个维度 从后至前
x_dim = x.dim() # 2
x_size = x.shape # torch.Size([1, 12])
# 改变一个张量的形状而不改变其值
x = x.reshape(3,4)
# 使用全0、全1、其他向量或着从特定分布中随机采样的数字
x0 = torch.zeros((2,3))
x1 = torch.ones((2,3))
# 使用嵌套列表为所需张量中的每个元素赋予确定值
x = torch.tensor([[1,2,3],[3,2,1]]) # torch.Size([2, 3])
x = torch.tensor([[[1,2,3],[3,2,1]]]) # torch.Size([1, 2, 3])
# 按元素运算
a = torch.tensor([1.0,2,4,8]) # 浮点型数组
b = torch.tensor([2,2,2,2])
print(a+b) # tensor([ 3., 4., 6., 10.])
print(a-b) # tensor([-1., 0., 2., 6.])
print(a*b) # tensor([ 2., 4., 8., 16.])
print(a/b) # tensor([0.5000, 1.0000, 2.0000, 4.0000])
print(a**b) # tensor([ 1., 4., 16., 64.]) 求幂运算
# 连结多个张量
x = torch.arange(12,dtype=torch.float32).reshape(3,4) # 3行4列
y = torch.tensor([[2.0,1,4,3],[1,2,3,4],[4,3,2,1]]) # 3行4列
print(torch.cat((x,y),dim=0))
# tensor([[ 0., 1., 2., 3.],
# [ 4., 5., 6., 7.],
# [ 8., 9., 10., 11.],
# [ 2., 1., 4., 3.],
# [ 1., 2., 3., 4.],
# [ 4., 3., 2., 1.]])
print(torch.cat((x,y),dim=1))
# tensor([[ 0., 1., 2., 3., 2., 1., 4., 3.],
# [ 4., 5., 6., 7., 1., 2., 3., 4.],
# [ 8., 9., 10., 11., 4., 3., 2., 1.]])
# 通过逻辑运算符构建二元张量
print(x == y)
# tensor([[False, True, False, True],
# [False, False, False, False],
# [False, False, False, False]])
# 对张量中所有元素进行求和,会产生一个只有一个元素的张量
print(x.sum()) # tensor(66.)
# 广播机制:即使形状不同也可以执行按元素操作
m = torch.arange(3).reshape((3,1))
# tensor([[0],
# [1],
# [2]])
n = torch.arange(2).reshape((1,2))
# tensor([[0, 1]])
print(m+n)
# tensor([[0, 1],
# [1, 2],
# [2, 3]])
# 元素访问
print(x[-1]) # 访问最后一个元素
print(x[1:3]) # 访问第二个个第三个元素
# 通过指定索引来修改元素的值
x[1,2] = 9
print(x)
# tensor([[ 0., 1., 2., 3.],
# [ 4., 5., 9., 7.],
# [ 8., 9., 10., 11.]])
# 通过索引区域赋值
x[0:2,:] = 12
print(x)
# tensor([[12., 12., 12., 12.],
# [12., 12., 12., 12.],
# [ 8., 9., 10., 11.]])
# 运行一些操作可能会导致为新结果分配内存
before = id(y)
y = y + x # y=y+x是新内存,y+=x是原地操作
print(before == id(y)) # False
# 执行原地操作
z = torch.zeros_like(y)
print(id(z)) # 2147130590336
z[:] = y + x
print(id(z)) # 2147130590336
# 转换为NumPy张量
A = x.numpy()
B = torch.tensor(A)
print(type(A),type(B)) # <class 'numpy.ndarray'> <class 'torch.Tensor'>
# 将大小为1的张量转换为Python张量
a = torch.tensor([3.5])
print(a,a.item(),float(a),int(a)) # tensor([3.5000]) 3.5 3.5 3
数据预处理
import os
import pandas as pd
import torch
# 创建一个人工数据集,并存储在csv(逗号分隔值)文件
os.makedirs(os.path.join('.','data'),exist_ok=True)
data_file = os.path.join('.','data','house_tiny.csv')
with open(data_file,'w') as f:
f.write('NumRooms,Alley,Price\n') # 列名
f.write('NA,Pave,127500\n') # 每行表示一个数据样本
f.write('2,NA,106000\n')
f.write('4,NA,178100\n')
f.write('NA,NA,140000\n')
# 从创建的csv文件中加载原始数据集
data = pd.read_csv(data_file) # 使用pandas库读取
print(data)
# NumRooms Alley Price
# 0 NaN Pave 127500
# 1 2.0 NaN 106000
# 2 4.0 NaN 178100
# 3 NaN NaN 140000
# 处理缺失数据:插值/删除
inputs = data.iloc[:,0:2]
outputs = data.iloc[:,2]
inputs = inputs.fillna(inputs.mean())
print(inputs)
# NumRooms Alley
# 0 3.0 Pave
# 1 2.0 NaN
# 2 4.0 NaN
# 3 3.0 NaN
inputs = pd.get_dummies(inputs,dummy_na=True) # 对于inputs中的类别值或离散值,将“NaN”视为一个类别
print(inputs)
# NumRooms Alley_Pave Alley_nan
# 0 3.0 1 0
# 1 2.0 0 1
# 2 4.0 0 1
# 3 3.0 0 1
# 目前inputs和outputs中的所有条目都是数值类型,可将其转换为张量格式
X,y = torch.tensor(inputs.values),torch.tensor(outputs.values)
print(X,y)
# tensor([[3., 1., 0.],
# [2., 0., 1.],
# [4., 0., 1.],
# [3., 0., 1.]], dtype=torch.float64)
# tensor([127500, 106000, 178100, 140000])
QA互动
Q1:reshape和view的区别
b=a.reshape((x,x)),b相当于是a的视图,但是改b也会改a
Q2:tensor和array的区别
多维数组