Dive Into Deep Learning——2.1数据操作&&练习

目录

1.reshape

2、randn

3.运算符

4.广播机制

5.练习

1.reshape

作用：改变张量的形状

X = x.reshape(3, 4)
X

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

在上面的例子中，为了获得一个3行的矩阵，我们手动指定了它有3行和4列。 幸运的是，我们可以通过-1来调用此自动计算出维度的功能。 即我们可以用x.reshape(-1,4)或x.reshape(3,-1)来取代x.reshape(3,4)。

2、randn

当我们构造数组来作为神经网络中的参数时，我们通常会随机初始化参数的值。 以下代码创建一个形状为（3,4）的张量。 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。

torch.randn(3, 4)

tensor([[-0.5979,  0.6042, -1.1094, -0.9001],
        [ 1.3877,  0.1119,  0.2164,  0.7615],
        [-0.6081, -0.2789, -0.7933,  0.7229]])

3.运算符

x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
x + y, x - y, x * y, x / y, x ** y  # **运算符是求幂运算

(tensor([ 3.,  4.,  6., 10.]),
 tensor([-1.,  0.,  2.,  6.]),
 tensor([ 2.,  4.,  8., 16.]),
 tensor([0.5000, 1.0000, 2.0000, 4.0000]),
 tensor([ 1.,  4., 16., 64.]))

注意：这里只要张量中有一个元素是浮点数，那么计算出来的结果张量的所有元素都是浮点数。

x**y表示x的y次方

torch.exp(x)

tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])

对张量x的每个元素做指数运算，x为【1,2,4,8】，所以结果为【e的1次方，e的2次方，e的4次方，e的8次方】

4.广播机制

a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
a, b

(tensor([[0],
         [1],
         [2]]),
 tensor([[0, 1]]))

a + b
tensor([[0, 1],
        [1, 2],
        [2, 3]])

由于a和b分别是3×1和1×2矩阵，如果让它们相加，它们的形状不匹配。 我们将两个矩阵广播为一个更大的3×2矩阵，如下所示：矩阵a将复制列， 矩阵b将复制行，然后再按元素相加。

5.练习

1.运行本节中的代码。将本节中的条件语句X == Y更改为X < Y或X > Y，然后看看你可以得到什么样的张量。

X = torch.tensor([1,2,3,4])
Y = torch.tensor([2,3,3,3])
print(X > Y)
print(X < Y)

tensor([False, False, False,  True])
tensor([ True,  True, False, False])

2.用其他形状（例如三维张量）替换广播机制中按元素操作的两个张量。结果是否与预期相同？ 

#练习2
a = torch.arange(12).reshape(3,1,4)
b = torch.ones(1,2,1)
print(a)
print(b)
print(a + b)

tensor([[[ 0,  1,  2,  3]],

        [[ 4,  5,  6,  7]],

        [[ 8,  9, 10, 11]]])
tensor([[[1.],
         [1.]]])
tensor([[[ 1.,  2.,  3.,  4.],
         [ 1.,  2.,  3.,  4.]],

        [[ 5.,  6.,  7.,  8.],
         [ 5.,  6.,  7.,  8.]],

        [[ 9., 10., 11., 12.],
         [ 9., 10., 11., 12.]]])