动手学深度学习系列笔记02预备知识-01数据操作ndarray

数据操作

为了能够完成各种操作，我们需要某种方法来存储和操作数据。
n 维数组，也称为张量（tensor）。无论使用哪个深度学习框架，它的张量类（在MXNet中为ndarray，在 PyTorch 和TensorFlow中为Tensor）都与Numpy的ndarray类似，但又比Numpy的ndarray多一些重要功能：首先，GPU 很好地支持加速计算，而NumPy仅支持CPU计算；其次，张量类支持自动微分。这些功能使得张量类更适合深度学习。

ndarray

import torch

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。

# arange创建一个行向量x。包含从0开始的前12个整数
x = torch.arange(12)
x
# tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

# 通过shape属性来访问张量的形状
x.shape
# torch.Size([12])

# 如果只想知道张量中元素的总数，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。
x.numel()
#12

# 要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。
# 例如，可以把张量x从形状为(12, )的行向量转换为形状为(3,4)的矩阵。
# 这个新的张量包含与转换前相同的值，但是它被看成一个3行4列的矩阵。
X = x.reshape(3, 4)
X
# tensor([[ 0,  1,  2,  3],
#         [ 4,  5,  6,  7],
#         [ 8,  9, 10, 11]])
# 不需要通过手动指定每个维度来改变形状。我们可以用x.reshape(-1,4)或者
# x.reshape(3,-1)来取代x.reshape(3,4)

torch.zeros((2, 3, 4))#创建一个形状为(2,3,4)的张量，将里面所有元素置为0
# tensor([[[0., 0., 0., 0.],
#          [0., 0., 0., 0.],
#          [0., 0., 0., 0.]],
#
#         [[0., 0., 0., 0.],
#          [0., 0., 0., 0.],
#          [0., 0., 0., 0.]]])

torch.ones((2, 3, 4))#所有元素置为1
# tensor([[[1., 1., 1., 1.],
#          [1., 1., 1., 1.],
#          [1., 1., 1., 1.]],
#
#         [[1., 1., 1., 1.],
#          [1., 1., 1., 1.],
#          [1., 1., 1., 1.]]])

torch.randn(3, 4)#每个元素都从均值为0、标准差为1的标准高斯（正态）分布中随机采样
# tensor([[ 0.4114,  0.3654, -0.3493,  0.2873],
#         [-0.1792,  1.5127,  1.5238,  1.1396],
#         [-0.2556, -0.2120, -0.1249, -0.4377]])

torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])#直接赋值
#最外层的列表对应于轴 0，内层的列表对应于轴 1。
# tensor([[2, 1, 4, 3],
#         [1, 2, 3, 4],
#         [4, 3, 2, 1]])