1.数据操作
导入torch包。注意,代码中使用torch而不是pytorch。
import torch
使用arange创建一个行向量X
X = torch.arange(12)
print(X)
可以通过张量的shape属性来访问张量(沿每个轴的长度)的形状 。
查看张量中元素的总数numel,即形状的所有元素乘积,可以检查它的大小(size)。 因为这里在处理的是一个向量,所以它的shape与它的size相同。
要想改变一个张量的形状而不改变元素数量和元素值,可以调用reshape函数
我们可以通过**-1**来调用此自动计算出维度的功能,们可以用x.reshape(-1,4)或x.reshape(3,-1)来取代x.reshape(3,4)
可以创建一个形状为(2,3,4)的张量,用zeros将其中所有元素都设置为0,用ones将其中所有元素都设置为0
随机初始化参数,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,用randn
我们还可以通过提供包含数值的Python列表(或嵌套列表),来为所需张量中的每个元素赋予确定值。 在这里,最外层的列表对应于轴0,内层的列表对应于轴1
2.运算符
常见的标准算术运算符(+、-、*、/和**) 都可以被升级为按元素运算,可以在同一形状的任意两个张量上调用按元素操作
求幂函数
多个张量连结(concatenate)在一起,只需要提供张量列表,并给出沿哪个轴连结,就可以形成一个更大的张量。
通过逻辑运算符构建二元张量, 以X == Y为例: 对于每个位置,如果X和Y在该位置相等,则新张量中相应项的值为1
对张量中的所有元素进行求和,会产生一个单元素张量。
3.广播机制
在某些情况下,即使形状不同,我们仍然可以通过调用 广播机制(broadcasting mechanism)来执行按元素操作,这种机制的工作方式如下:
- 通过适当复制元素来扩展一个或两个数组,以便在转换之后,两个张量具有相同的形状;
- 对生成的数组执行按元素操作。
由于a和b分别是3 X 1和1 X2矩阵,如果让它们相加,它们的形状不匹配,将两个矩阵广播为一个更大的3X2矩阵,然后按元素相加
4.索引和切片
张量中的元素可以通过索引访问。 与任何Python数组一样:第一个元素的索引是0,最后一个元素索引是-1; 可以指定范围以包含第一个元素和最后一个之前的元素。
如下所示,我们可以用[-1]选择最后一个元素,可以用[1:3]选择第二个和第三个元素:
除读取外,我们还可以通过指定索引来将元素写入矩阵。
如果我们想为多个元素赋值相同的值,我们只需要索引所有元素,然后为它们赋值。 例如,[0:2, :]访问第1行和第2行,其中“:”代表沿轴1(列)的所有元素。 虽然我们讨论的是矩阵的索引,但这也适用于向量和超过2个维度的张量。
5.节省内存
在下面的例子中,我们用Python的id()函数演示了这一点, 它给我们提供了内存中引用对象的确切地址。 运行Y = Y + X后,我们会发现id(Y)指向另一个位置。 这是因为Python首先计算Y + X,为结果分配新的内存,然后使Y指向内存中的这个新位置。
这可能是不可取的,原因有两个:
1.首先,我们不想总是不必要地分配内存。在机器学习中,我们可能有数百兆的参数,并且在一秒内多次更新所有参数。通常情况下,我们希望原地执行这些更新;
2.如果我们不原地更新,其他引用仍然会指向旧的内存位置,这样我们的某些代码可能会无意中引用旧的参数。
执行原地操作非常简单。 我们可以使用切片表示法将操作的结果分配给先前分配的数组,例如Y[:] = 。 为了说明这一点,我们首先创建一个新的矩阵Z,其形状与另一个Y相同, 使用zeros_like来分配一个全
的块。
如果在后续计算中没有重复使用X, 我们也可以使用X[:] = X + Y或X += Y来减少操作的内存开销。
将深度学习框架定义的张量转换为NumPy张量(ndarray)很容易,反之也同样容易。 torch张量和numpy数组将共享它们的底层内存,就地操作更改一个张量也会同时更改另一个张量。
要将大小为1的张量转换为Python标量,我们可以调用item函数或Python的内置函数。