【学习笔记（二）：《动手学深度学习 Pytorch版》预备知识】

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：

1. 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；
2. 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。