动手学深度学习（Pytorch版）知识点笔记（1）

本文链接：https://blog.csdn.net/m0_53703555/article/details/118069228

一、数据操作
1、创建Tensor

#创建⼀个5x3的未初始化的 Tensor
import torch
x=torch.empty(5, 3)
#创建⼀个5x3的随机初始化的 Tensor
x = torch.rand(5, 3)
#创建⼀个5x3的long型全0的 Tensor
x = torch.zeros(5, 3, dtype=torch.long)
#获取tensor的形状
print(x.size())
print(x.shape)

在这里插入图片描述
2、Tensor索引操作

Tensor支持与numpy.ndarray类似的索引操作，语法上也类似
如无特殊说明，索引出来的结果与原tensor共享内存，即修改一个，另一个会跟着修改

import torch as t  
      
    a = t.randn(3,4)  
    '''''tensor([[ 0.1986,  0.1809,  1.4662,  0.6693], 
            [-0.8837, -0.0196, -1.0380,  0.2927], 
            [-1.1032, -0.2637, -1.4972,  1.8135]])'''  
    print(a[0])         #第0行  
    '''''tensor([0.1986, 0.1809, 1.4662, 0.6693])'''  
    print(a[:,0])       #第0列  
    '''''tensor([ 0.1986, -0.8837, -1.1032])'''  
    print(a[0][2])      #第0行第2个元素，等价于a[0,2]  
    '''''tensor(1.4662)'''  
    print(a[0][-1])     #第0行最后一个元素  
    '''''tensor(0.6693)'''  
    print(a[:2,0:2])    #前两行，第0,1列  
    '''''tensor([[ 0.1986,  0.1809], 
            [-0.8837, -0.0196]])'''  
      
    print(a[0:1,:2])    #第0行，前两列  
    '''''tensor([[0.1986, 0.1809]])'''  
    print(a[0,:2])      #注意两者的区别，形状不同  
    '''''tensor([0.1986, 0.1809])'''  
      
    print(a>1)  
    '''''tensor([[0, 0, 1, 0],                                         
            [0, 0, 0, 0], 
            [0, 0, 0, 1]], dtype=torch.uint8)'''  
    print(a[a>1])        #等价于a.masked_select(a>1),选择结果与原tensor不共享内存空间  
    print(a.masked_select(a>1))  
    '''''tensor([1.4662, 1.8135]) 
    tensor([1.4662, 1.8135])'''  
    print(a[t.LongTensor([0,1])])  
    '''''tensor([[ 0.1986,  0.1809,  1.4662,  0.6693], 
            [-0.8837, -0.0196, -1.0380,  0.2927]])'''

注意 a[0:1,:2] 以及a[0,:2] ，他们的形状是不同的，一个是二维，一个是一维。
3、改变形状

用view() 来改变 Tensor 的形状
注意 view() 返回的新tensor与源tensor共享内存（其实是同⼀个tensor），也即更改其中的⼀个，另
外⼀个也会跟着改变。(顾名思义，view仅仅是改变了对这个张量的观察⻆度

y = x.view(15)
z = x.view(-1, 5) # -1所指的维度可以根据其他维度的值推出来
print(x.size(), y.size(), z.size())
#输出结果为：
torch.Size([5, 3]) torch.Size([15]) torch.Size([3, 5])

以如果我们想返回⼀个真正新的副本（即不共享内存）该怎么办呢？Pytorch还提供了⼀个 reshape() 可以改变形状，但是此函数并不能保证返回的是其拷⻉，所以不推荐使⽤。推荐先⽤ clone 创造⼀个副本然后再使⽤ view 。

#x_cp与x相互不影响
x_cp = x.clone().view(15)
x -= 1
print(x)
print(x_cp)

另外⼀个常⽤的函数就是 item() , 它可以将⼀个标量 Tensor 转换成⼀个Python number：

x = torch.randn(1)
print(x)
print(x.item())
#输出如下：
tensor([2.3466])
2.3466382026672363

4、线性函数
在这里插入图片描述

5、广播机制

当对两个形状不同的 Tensor 按元素运算时，可能会触发⼴播（broadcasting）机制。先适当复制元素使这两个 Tensor 形状相同后再按元素运算。

x = torch.arange(1, 3).view(1, 2)
print(x)
y = torch.arange(1, 4).view(3, 1)
print(y)
print(x + y)
#输出结果为：
tensor([[1, 2]])
tensor([[1],
 		[2],
 		[3]])
tensor([[2, 3],
		[3, 4],
 		[4, 5]])

由于 x 和 y 分别是1⾏2列和3⾏1列的矩阵，如果要计算 x + y ，那么 x 中第⼀⾏的2个元素被⼴播（复制）到了第⼆⾏和第三⾏，⽽ y 中第⼀列的3个元素被⼴播（复制）到了第⼆列。如此，就可以对2个3⾏2列的矩阵按元素相加。（复制成行和列都取数字较大的形状）

6、TENSOR 和NUMPY相互转换

易⽤ numpy() 和 from_numpy() 将 Tensor 和NumPy中的数组相互转换。但是需要注意的⼀点是：这两个函数所产⽣的的 Tensor 和NumPy中的数组共享相同的内存（所以他们之间的转换很快），改变其中⼀个时另⼀个也会改变！！！

#使⽤ numpy() 将 Tensor 转换成NumPy数组:
#共享相同的内存，所以转换很快
#numpy()是将张量转化为numpy数组
a = torch.ones(5)
b = a.numpy()
print(a, b)
a += 1
print(a, b)
b += 1
print(a, b)

#使⽤ from_numpy() 将NumPy数组转换成 Tensor :
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
print(a, b)
a += 1
print(a, b)
b += 1
print(a, b)