【Pytorch学习】2.2 基本数据操作

一、基础数据操作

1. 创建tensor

import torch
x = torch.empty(5, 3) 创建未初始化的5行3列的tensor
torch.tensor(data,)	类似np.array的构造函数
torch.ones(*sizes)	全1Tensor, sizes为tensor的尺寸，例如上面的（5,3）
torch.zeros(*sizes)	全0Tensor
torch.eye(*sizes)	对角线为1，其他为0
torch.arange(s,e,step)	从s到e，左闭右开，步长为step
torch.rand(*sizes)	均匀分布
torch.randn(*sizes)	标准分布
torch.normal(mean,std)/uniform(from,to)	正态分布/均匀分布
torch.randperm(m)	随机排列
例如randperm(5)，表示0~4随机排列的1行5列的tensor

2. 索引

【法一】
可以使用类似NumPy的索引操作来访问Tensor的一部分
注意：索引出来的结果与原数据共享内存，也即修改一个，另一个会跟着修改。
y = x[0, :]
y += 1
print(y)
print(x[0, :]) # 源tensor也被改了

【其余方法】

index_select(input, dim, index)	在指定维度dim上选取，比如选取某些行、某些列
nonzero(input)	非0元素的下标

3. 改变形状

x.reshape() 推荐使用
x.view()
【区别】https://blog.csdn.net/Flag_ing/article/details/109129752

x.reshape(n) 形状变为1行n列的tensor
x.reshape(m, n) 形状变为m行n列的tensor
x.reshape(-1, n) 形状变为？行n列的tensor，具体多少行，根据数字n自适应

【补充】.item()函数
可以将一个标量Tensor转换成一个Python number：
x = torch.tensor([2.3466])
print(x) # tensor([2.3466])
print(x.item()) # 2.3466

4. 常用线性代数函数

torch.t(x)	转置
dot/cross	内积/外积
torch.inverse(x)	求逆矩阵
svd	奇异值分解

二、广播机制（broadcasting）

当对两个形状不同的Tensor按元素运算时，可能会触发广播（broadcasting）机制：先适当复制元素使这两个Tensor形状相同后再按元素运算。例如：

x = torch.arange(1, 3).view(1, 2)
print(x)
y = torch.arange(1, 4).view(3, 1)
print(y)
print(x + y)

输出：

tensor([[1, 2]])
tensor([[1],
        [2],
        [3]])
tensor([[2, 3],
        [3, 4],
        [4, 5]])

note：x是1行2列，y是3行1列，要运算先统一形状为：3行2列（取每一维度的较大值）然后自我复制成该形状后再运算

x:[1, 2]
————>
[[1, 2],
[1, 2],
[1, 2]]

y:[[1],
   [2],
   [3]]
————>
[[1, 1],
[2, 2],
[3, 3]]

所以：
[[1, 2],	[[1, 1],	[[2, 3],
[1, 2],   +  [2, 2],  =  [3, 4],
[1, 2]]		 [3, 3]]	 [4, 5]]

三、Tensor和NumPy相互转换

三种：
.numpy()：tensor转numpy，共享内存
torch.from_numpy()：numpy转tensor，共享内存
torch.tensor()：numpy转tensor，不共享内存，拷贝新数据

x = torch.ones(5) 
y = x.numpy()
print(x) # tensor([1,1,1,1,1])
print(y) # [1,1,1,1,1]

z1 = torch.from_numpy(y)
print("z1:", z1) # tensor([1,1,1,1,1])
z2 = torch.tensor(y)
print("z2:", z2) # tensor([1,1,1,1,1])
x += 1
print("+1后:\n", x) # tensor([2,2,2,2,2])
print(y) # [2,2,2,2,2]
print("+1:z1:", z1) # tensor([2,2,2,2,2])
print("+1:z2:", z2) # tensor([1,1,1,1,1])