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]])