第二章 预备知识

2.2 数据操作

2.2.1 创建NDArray(Mxnet)、Tensor(Pytorch)

	Mxnet	Pytorch
	from mxnet import nd	import torch
创建向量	nd.zeros((4,2)), nd.ones((4,2))	torch.zeros(4, 2), torch.zeros(4, 2)
创建向量	x = nd.arange(12)	x = torch.arange(12)
获取形状	x.shape	x.shape
获取元素总数	x.size	x.size
更改形状	x.reshape(3, 4)	x.reshape((3, 4))
从list创建	nd.array([5.5, 3])	torch.tensor([5.5, 3])
随机生成	nd.random.normal(0, 1, shape=(3, 4))	torch.randn(3, 4)

注：
1、pytorch输入形状参数可用单小括号或双小括号，例如 torch.zeros(4, 2)，等同torch.zeros((4, 2)),Mxnet必须为双小括号

2.2.2 运算

	Mxnet	Pytorch
四则运算	x+y	x+y
指数运算	x.exp()	x.exp()
矩阵乘法	nd.dot(x, y.T)	torch.mm(x, y.T)
合并	nd.concat(x, y, dim=0)	torch.cat((x, y), dim=0)
判断	x == y （返回 True 或 Falue）	x == y （返回 1 或 0）

2.2.6 和NumPy相互变换

	Mxnet	Pytorch
由np转入	nd.array(x)	torch.from_numpy(x)
转出到np	x.asnumpy()	x.numpy()

2.3 自动求梯度

	Mxnet	Pytorch
创建变量	x = nd.arange(4).reshape((4, 1))	x = torch.ones(4, 1, requires_grad=True)
申请存储梯度所需要的内存	x.attach_grad()	上一步已申请
	with autograd.record(): y = 2 * nd.dot(x.T, x)	y = 2 * torch.mm(x.T, x)
自动求梯度	y.backward()	y.backward()
读取梯度	x.grad	x.grad