前言
本文转载于【pytorch基础知识】10分钟快速复习笔记|代码可直接运行|多实例 - 知乎
pytorch里的数据统称为张量（tensor），张量表示由⼀个数值组成的数组，这个数组可能有多个维度。具有一个轴的张量对应数学上的向量（vector）。 具有两个轴的张量对应数学上的矩阵（matrix）。具有两个轴以上的张量没有特殊的数学名称。 优点：张量（tensor）⽀持⾃动微分和GPU并行加速运算。
1 Tensor数据类型
- 32位浮点型：torch.float、torch.float32。浮点型默认32位。
- 64位整型：torch.long、troch.int64。整型默认64位。
- 32位整型：http://torch.int、torch.int32。
- 16位整型：torch.short、torch.float16。
- 64位浮点型：torch.double、torch.float64。
b=[2.0,4]
b=torch.tensor(b).to(torch.float32)2 Tensor的基本概念和操作
import torch2.1 标量
a = torch.tensor(1.0) #根据data生成不同类型tensor
# a = torch.Tensor(1.0) 会报错，应修改为 a = torch.Tensor([1.0]) 只生成torch.float类型。
print("标量：", a)
输出：标量： tensor(1.)2.2 向量
b = torch.tensor([1, 0, 2])
print("向量：", b)
输出：向量： tensor([1, 0, 2])2.3 矩阵
c = torch.tensor([[1, 2],[3, 4]])
print("矩阵：", c)
输出：矩阵： tensor([[1, 2],
[3, 4]])2.4 多维张量
d = torch.tensor([[[1, 2],[3, 4]],[[5,6],[7,8]]])
print("多维张量：", d)
输出：多维矩阵： tensor([[[1, 2],
[3, 4]],
[[5, 6],
[7, 8]]])2.5 创建一个大小为（3，4）空的tensor
e = torch.empty(3, 4)
print(e)
输出：tensor([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])2.6 创建一个大小为（3，5）的tensor，元素随机产生
f = torch.rand(5, 3)
print(f)
输出：tensor([[0.4469, 0.3355, 0.8299, 0.5071, 0.3735],
[0.2966, 0.8454, 0.7083, 0.7606, 0.8961],
[0.2339, 0.1641, 0.9898, 0.1519, 0.0948]])2.7 创建一个大小为（3，3）的tensor，元素全为0，类型为64位整型
g = torch.zeros(5, 3, dtype=torch.long)
print(g)
输出：tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])2.8 创建一个大小为（2，3）的tensor，元素全为1，类型为64位浮点型
h = torch.ones(5, 3, dtype=torch.double)
print(h)
输出：tensor([[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)2.9 创建大小和h一样的tensor，元素随机
i = torch.rand_like(h, dtype=torch.float)
print(i)
输出：tensor([[0.5246, 0.4422, 0.5519],
[0.3224, 0.6082, 0.2636]])3 Tensor的基本运算
y = x + y 系统将取消引⽤ y 的地址，指向新地址。y指向地址不同。
y[:] = x + y 和 y += x 系统不再分配新空间，y指向的地址相同。
3.1 加法
j = torch.tensor([1, 2, 3])
k = torch.tensor([2, 3, 4])
## 加法1
print("Tensor 加法：", j + k)
## 加法2
print("Tensor 加法：", torch.add(j, k))
## 加法3 改变j的值
print("Tensor 加法：", j.add_(k))
输出：Tensor 加法： tensor([3, 5, 7])
##广播机制
j = torch.tensor([[1],[2]])
k = torch.tensor([2, 3, 4])
print("Tensor 加法：", j + k)
输出：tensor([[3, 4, 5],
[4, 5, 6]])3.2 乘法
## 向量乘法、对应坐标相乘相加
n = torch.tensor([1, 2])
p = torch.tensor([2, 3])
print("Tensor 乘法：", torch.dot(n, p))
输出：Tensor 乘法： tensor(8)
## 矩阵乘法
n = torch.ones(2, 3)
p = torch.ones(3, 2)
print("Tensor 乘法：", torch.mm(n, p)) # 只支持二维乘法
#print("Tensor 乘法：", torch.matmul(n, p)) # 支持三维乘法
#print("Tensor 乘法：", n.mm(p))
#print("Tensor 乘法：", n@p)
输出：Tensor 乘法： tensor([[3., 3.],
[3., 3.]])
## 点积、对应位置相乘
n = torch.ones(2, 3)
p = torch.ones(2, 3)
print("Tensor 乘法：", torch.mul(n, p))
#print("Tensor 乘法：", n*p)
输出：Tensor 乘法： tensor([[1., 1., 1.],
[1., 1., 1.]])3.3 除法
l = torch.tensor([6, 9])
m = torch.tensor([3, 3])
## 除法1
print("Tensor 除法：", l // m)
## 除法2
print("Tensor 除法：", torch.true_divide(l, m))
输出：Tensor 除法： tensor([2., 3.])3.4 幂运算
q = torch.tensor([2, 3])
## 方法1
print("Tensor 幂运算：", torch.pow(q, 2))
## 方法2
print("Tensor 幂运算：", q.pow(2))
## 方法3
print("Tensor 幂运算：", q**2)
输出：Tensor 幂运算： tensor([4, 9])3.5 开根号
r = torch.tensor([4, 9])
## 方法1
print("Tensor 开根号运算：", r.sqrt())
## 方法2
print("Tensor 开根号运算：", torch.sqrt(r))
输出：Tensor 开根号运算： tensor([2., 3.])3.6 对数运算
## 方法1
s1 = torch.tensor([2, 4, 8])
print("Tensor 对数运算：", torch.log2(s1))
输出：Tensor 对数运算： tensor([1., 2., 3.])
## 方法2
s2 = torch.tensor([10, 100])
print("Tensor 对数运算：", torch.log10(s2))
输出：Tensor 对数运算： tensor([1., 2.])
## 方法3
s3 = torch.tensor([3, 4, 5])
print("Tensor 对数运算：", torch.log(s3))
输出： Tensor 对数运算： tensor([0.6931, 1.0986, 1.3863])3.7 取整
t = torch.tensor([1.4, 2.5, 3.6])
## 方法1
print("向下取整数 floor() ：", t.floor())
输出：向下取整数 floor() ： tensor([1., 2., 3.])
## 方法2
print("向上取整数 ceil() ：", t.ceil())
输出：向上取整数 ceil() ： tensor([2., 3., 4.])
## 方法3
print("四舍五入 round() ：", t.round())
输出：四舍五入 round() ： tensor([1., 2., 4.])
## 方法4
print("取整数部分 trunc() ：", t.trunc())
输出：取整数部分 trunc() ： tensor([1., 2., 3.])3.8 取余
## 方法1
t = torch.tensor([1.4, 2.5, 3.6])
print("只取小数部分 frac() ：", t.frac())
输出：只取小数部分 frac() ： tensor([0.4000, 0.5000, 0.6000])
## 方法2
print("取余 % ：", torch.tensor([5, 7]) % 3)
输出：取余 % ： tensor([2, 1])4 Tensor自带属性
4.1 查看tensor形状shape、改变形状resize、reshape、view
u = torch.tensor([[1, 2, 3],
[4, 5, 6]])
print(u.shape)
print(u.size())
输出：torch.Size([2, 3])
## 方法1：resize
print("(2, 3) -> (3, 2):\n",u.resize(3, 2))
u.resize(2, 3)
## 方法2：reshape
print("(2，3) -> (3，2):\n", u.reshape(3, 2))
u.reshape(2, 3)
## 写法3：view (u的形状不改变）
print("(2，3) -> (3，2):\n", u.view(3, 2))
输出：(2, 3) -> (3, 2) :
tensor([[1, 2],
[3, 4],
[5, 6]])
## permute
a=np.array([[[1,2,3],[4,5,6]]])
unpermuted=torch.tensor(a)
print(unpermuted.size())
print(unpermuted)
输出：
torch.Size([1, 2, 3])
tensor([[[1, 2, 3],
[4, 5, 6]]], dtype=torch.int32)
permuted=unpermuted.permute(2,0,1)
print(permuted.size())
print(permuted)
输出：
torch.Size([3, 1, 2])
tensor([[[1, 4]],
[[2, 5]],
[[3, 6]]], dtype=torch.int32)4.2 获取tensor里的某个值和tensor元素个数
v = torch.tensor([2.3, 4.2, 3])
print("获取Tensor的值：item() : ", v[1].item())
输出：获取Tensor的值：item() : 4.199999809265137
print("获取Tensor的个数：numel() : ", v.numel())
输出：获取Tensor的个数：numel() : 44.3 分离计算图
#方法1
with torch.no_grad():
...
#方法2
tensor.detach()4.4 tensor 转 numpy ，numpy 转 tensor
w = torch.tensor([4, 5, 6])
## tensor 转 numpy
print("Tensor 转 Numpy :", w.numpy())
输出：Tensor 转 Numpy : [1 2 3]
#------------------------------------------------------
import numpy as np
w2 = np.ones(3)
## numpy 转 tensor
#方法1 转换前后共享内存
print("Numpy 转 Tensor :\n", torch.from_numpy(w2))
print("Numpy 转 Tensor :\n", torch.as_tensor(w2))
#方法2 开辟新内存
print("Numpy 转 Tensor :\n", torch.tensor(w2))
print("Numpy 转 Tensor :\n", torch.Tensor(w2))
输出：Numpy 转 Tensor : tensor([1., 1., 1.], dtype=torch.float64)4.5 判断是否有GPU,把数据放在GPU上
device = ""
if torch.cuda.is_available():
device = torch.device('cuda')
else:
device = torch.device('cpu')
#方法1
x = torch.tensor([2, 3])
x.to(device)
#方法2
x1 = torch.tensor([2, 3], device=device)5 pytorch常用函数
5.1 求tensor第1维度的均值
a = torch.tensor([[1., 2.], [3., 4.]])
print(torch.mean(a, dim = 1))
输出：tensor([1.5000, 3.5000])5.2 求tensor第1维度的和
print(torch.sum(a, dim = 1))
#a.cumsum(axis=0) 第0轴累积和
输出：tensor([3., 7.])5.3 求tensor第1维度的积
print(torch.prod(a, dim = 1))
输出：tensor([ 2., 12.])5.4 求tensor第1维度的最大值和最小值
##最大值
print(torch.max(a, dim = 1))
输出：torch.return_types.max(
values=tensor([2., 4.]),
indices=tensor([1, 1]))
##最小值
print(torch.min(a, dim = 1))
torch.return_types.min(
values=tensor([1., 3.]),
indices=tensor([0, 0]))5.5 求tensor第1维度的最大值下标和最小值下标
##最大值下标
print(torch.argmax(a, dim = 1))
输出：tensor([1, 1])
##最小值下标
print(torch.argmin(a, dim = 1))
输出：tensor([0, 0])5.6 求tensor第1维度标准差std和方差var
##标准差
print(torch.std(a, dim = 1))
输出：tensor([0.7071, 0.7071])
##方差
print(torch.var(e, dim = 1))
输出：tensor([0.5000, 0.5000])5.7 求tensor第1维度中位数和众数
##中位数
b = torch.tensor([[2., 3., 4], [3., 4., 5]])
print(torch.median(b, dim = 1))
输出：torch.return_types.median(
values=tensor([3., 4.]),
indices=tensor([1, 1]))
##众数
b = torch.tensor([[2., 3., 3], [4., 4., 5]])
print(torch.mode(b, dim = 1))
输出：torch.return_types.mode(
values=tensor([3., 4.]),
indices=tensor([2, 1]))5.8 随机种子
torch.manual_seed(222)5.9 改变tensor形状
c = torch.tensor([[1,2,3],
[4,5,6]])
print(torch.reshape(c, (3, 2)))
输出：tensor([[1, 2],
[3, 4],
[5, 6]])5.10 tensor转置
c = torch.tensor([[1,2,3],
[4,5,6]])
print(torch.t(c))
输出：tensor([[1, 4],
[2, 5],
[3, 6]])5.11 交换tensor两个维度
c = torch.tensor([[1,2,3],
[4,5,6]])
print(torch.transpose(c, 1, 0))
输出：tensor([[1, 4],
[2, 5],
[3, 6]])5.12 压缩tensor维度
e = torch.tensor([[1],[1]])
print(torch.squeeze(e))
输出：tensor([1, 1])5.13 扩充矩阵维度
f = torch.tensor([1,2,3,4])
torch.unsqueeze(f, 1)
输出：tensor([[1],
[2],
[3],
[4]])5.14 去除某个维度，返回多个tensor
g = torch.tensor([[1, 2, 3],
[4, 5, 6]])
print(torch.unbind(g, dim=0))
输出：(tensor([1, 2, 3]), tensor([4, 5, 6]))5.15 按照给定维度翻转张量
h = torch.tensor([[1, 2, 3],
[4, 5, 6]])
print(torch.flip(h, [0,1]))
输出：tensor([[6, 5, 4],
[3, 2, 1]])5.16 逆时针旋转tensor
a = torch.tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
print(torch.rot90(a, 1, [0,1]))
输出：tensor([[3, 6, 9],
[2, 5, 8],
[1, 4, 7]])5.17 tensor 组合拼接
a1 = torch.tensor([1, 2, 3], dtype=torch.float)
a2 = torch.tensor([4, 5, 6], dtype=torch.float)
##方法1
print(torch.cat([a1, a2], dim=0))
输出：tensor([1., 2., 3., 4., 5., 6.])
##方法2
print(torch.stack([a1, a2], dim=1))
输出：tensor([[1., 4.],
[2., 5.],
[3., 6.]])5.18 从tensor中挑选出满足条件的元素
= torch.tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
print(torch.where(x < 5))
输出：(tensor([0, 0, 0, 1]), tensor([0, 1, 2, 0])) #输出对应维度的索引值5.19 gather按照索引输出tensor
b = torch.Tensor([[1,2,3],[4,5,6]])
index_1 = torch.LongTensor([[0,2],[1,0]])
print(torch.gather(b, dim=1, index=index_1))
#torch.gather(input, dim, index, out=None)
输出：tensor([[1., 3.],
[5., 4.]])5.20 index_select指定索引输出tensor
a = torch.Tensor([[1,2,3],[4,5,6]])
print(torch.index_select(a, dim = 0, torch.tensor([0])))
输出：tensor([[1., 2., 3.]])5.21 eq、ne、gt、lt、ge、le
eq 等于，ne不等于，gt大于，lt小于，ge，大于等于，le小于等于
x = torch.tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
mask = x.gt(5)
print(x.gt(5))
输出：tensor([[False, False, False],
[False, False, True],
[ True, True, True]])5.22 masked_select选择标记索引
##x和mask见5.21
print(torch.masked_select(x, mask))
输出：tensor([6, 7, 8, 9])5.23 将tensor看成1维
src = torch.tensor([[4,3,5],
[6,7,8]])
print(torch.take(src, torch.tensor([0, 2, 5])))
输出：tensor([4, 5, 8])5.24 tensor 切片
a = torch.Tensor([[1,2,3],
[4,5,6],
[7,8,9],
[10,11,12]])
print(torch.chunk(a, 2, dim=0))
print(torch.split(a, 2, dim=0))
输出：(tensor([[1., 2., 3.],[4., 5., 6.]]),
tensor([[ 7., 8., 9.],[10., 11., 12.]]))
print(torch.split(a, [1, 2, 1], dim=0))
输出：(tensor([[1., 2., 3.]]),
tensor([[4., 5., 6.],[7., 8., 9.]]),
tensor([[10., 11., 12.]]))
print(a[1:2, 0:1])
输出：(tensor([[4,5],
[7,8]]))5.23 tensor 排序
w = torch.tensor([2, 1, 5, 9, 4, 8, 3])
print("Tensor 升序：", torch.sort(w，descending=False))
输出：Tensor 升序： torch.return_types.sort(
values=tensor([1, 2, 3, 4, 5, 8, 9]),
indices=tensor([1, 0, 6, 4, 2, 5, 3]))5.24 返回指定维度最大最小k个数和索引值
x = torch.tensor([2, 1, 5, 9, 4, 8, 3])
print("Tensor 最大4个元素：", torch.topk(x, k=4, dim=0, largest=True, sorted=True, out=None))
输出：Tensor 最大4个元素： torch.return_types.topk(
values=tensor([9, 8, 5, 4]),
indices=tensor([3, 5, 2, 4]))5.25 第k个最小值和索引值
x = torch.tensor([2, 1, 5, 9, 4, 8, 3])
print("Tensor 返回第k个最小值和索引值：", torch.kthvalue(x, 5, dim=0))
输出：Tensor 沿着指定纬度返回第k个最小值及其索引值： torch.return_types.kthvalue(
values=tensor(5),
indices=tensor(2))5.26 判断是否为nan、inf、finite
y = torch.tensor([2, 3, 4])
print(torch.isnan(y)) # 检查是否是无穷大
输出：tensor([False, False, False])
print(torch.isfinite(y))# 参数有效返回true
输出：tensor([True, True, True])
print(torch.isinf(y)) # 检查是否是无穷大
输出：tensor([False, False, False])
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
