pytorch学习笔记

1.tensors的概念：

可以理解为多维数组。

和numpy数组很像，tensors数据类型可以在gpu或者是其他一些硬件上面运行。

tensor还可以和numpy共享地址，对二者其中任意一个修改，另一个也会修改。

tensor是自动微分的

创建tensor：使用torch.tensor（）

1.可以传入一个列表

2.可以传入一个numpy数组

3.使用torch.rand_like()或者ones_like()

4.使用torch.rand（）或者torch.ones根据输入型号创建，（）中可以是元组、列表，但是不能是集合。

查看（tensor）张量是在cpu或者gpu上，可以使用张量名.device来查看

更多具体用法参考pytorch官方文档

torch — PyTorch 1.13 documentation

 tensor相关方法：

1.判断是否是tensor数据类型：torch.is_tensor(obj)

2.判断是否是浮点型：torch.is_floating_point

 3.判断一个数据类型否是非零：torch.is_nonzero(obj)

ps:只能判断只含有一个数的tensor，如图，不是一个数的话会报错，不能比较

4.判断一个tensor数据类型里面含有多少个数：torch.numel(obj)

tensor的相关操作：

1.创建tensor：

• torch.as_tensor(obj)  //obj可以是列表，元组，但转化过后不会自动打印dtype

• torch.from_numpy(obj)  //创建一个从numpy转化来的tensor，会打印dtype

• torch.tensor(obj)  //以上两种方法都可以直接用第三种，也不会打印dtype

2.创建全零tensor：torch.zeros（obj）||torch.zeros_like（obj）:

zeros()的参数第一个是形状，可以是元组也可以是列表，第二个是类型dtype=

zeros_like()的作用是创建与传入对象形状一样的全零tensor

3.设置默认的初始化tensor数据类型：torch.set_default_tensor_type(type)

4.torch.arange/torch.range区别:

torch.arange(start,end,step):[strat,end)  //可以只写一个参数，前闭后开

torch.range(start,end,step):[start,end]  //至少写上start和end，前闭后闭

5.linspace//logspace

6.产生对角线全是1的矩阵：torch.eye()

 7.产生一个全部由...填充的矩阵：torch.full()//torch.full_like()

 8.  tensor的拼接：torch.cat()

dim参数表示从哪个维度进行拼接，如果是二维的tensor即矩阵的话，dim=0表示在行上面做拼接，dim=1表示在列上面做拼接

 9.将一个张量平均分成若干份：torch.chunk()

第一个参数是被分张量，第二个是分成块数，第三个是从哪个维度进行分块，默认是dim=0

  10.改变tensor的形状：torch.reshape(input,shape)

当变成一维的时候，直接把shape设置成[-1]，注意这里需要使用列表形式

11.torch.scatter:不是很理解有什么用

12.将tensor进行分块，可以均分，也可以传入列表按照列表每个元素进行分：torch.split()

13.对多余的维度进行压缩(移除掉维度为1的部分)： torch.squeeze()

即保持维度的乘积不变，将A*B*1*C*1*D变成A*B*C*D

另外还可以指定压缩某个为1的维度：dim从0开始，这里只能设置为int，不能设置为列表，即一次只能指定一个维度被压缩。

 

 14.在某个维度将两个相同大小的tensor堆叠起来，有维度的扩充：torch.stack(tensors,dim=)

 15.先将tensor铺平，再从里面取出对应位置上的元素：torch.take()

 16.在某个维度上进行复制：torch.tile()

如图将a的行复制3倍，列复制2倍，编程一个6*6的矩阵，如果保持某一维度不变则写成1

 17.将tensor做维度转换，即矩阵的转置:torch.transpose()

一共有3个参数，第一个是传入的数，第二个和第三个是需要转换的维度

 18.拆分tensor：torch.unbind(input,dim)

 19.在某一个维度上进行增维：torch.unsqueeze(input,dim)

20.判断执行：torch.where(condition,x,y)

如果condition成立，则x，否则y，如图，在x>0的位置保留0，其余位置用y中的数字来填充

 令y=1也可以

 21.随机种子设定：torch.manual_seed

注意numpy、pytorch的设定，才能保证多次随机一样

22.根据传入的概率矩阵返回相同形状的0-1矩阵：torch.bernoulli()

23.根据均值、方差返回tensor：torch.normal()

24.返回[0,1）的tensor：torch.rand()

返回整数tensor：torch.randint(start，end，shape)

返回高斯分布的tensor，可正可负：torch.randh()

25.将[0,int-1]的数字进行随机排列：torch.randperm(int)

来源于B站deep_thoughts博主关于pytorch源码解读1-3课时，仅做学习笔记