张量数据操作基础

N维数组样例

N维数组是机器学习和神经网络的主要数据结构

创建张量

创建张量需要：
1.形状：例如3 * 4矩阵
2.每个元素的数据类型：例如32位浮点数
3.每个元素的值，例如全是0，或者随机数

访问元素

代码实现

导入pytorch

import torch

张量表示由一个数值组成的数组，这个数组可能有多个维度

x = torch.arange(12)

tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
可以通过张量的 shape 属性来访问张量的形状 和张量中元素的总数

x.shape

torch.Size([12])

x.numel()  # x中元素的总数 12

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

X = x.reshape(3, 4)

tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
使用全0、全1、其他常量或者从特定分布中随机采样的数字

torch.zeros((2, 3, 4))

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))

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)

tensor([[ 0.2104, 1.4439, -1.3455, -0.8273],
[ 0.8009, 0.3585, -0.2690, 1.6183],
[-0.4611, 1.5744, -0.4882, -0.5317]])
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

torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])

tensor([[2, 1, 4, 3],
[1, 2, 3, 4],
[4, 3, 2, 1]])
标准算术运算符（+、-、*、/ 和 **） 均为按元素运算

x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
x + y, x - y, x * y, x / y, x**y

(tensor([ 3., 4., 6., 10.]),
tensor([-1., 0., 2., 6.]),
tensor([ 2., 4., 8., 16.]),
tensor([0.5000, 1.0000, 2.0000, 4.0000]),
tensor([ 1., 4., 16., 64.]))

torch.exp(x)  # 指数运算

tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])

连结两个张量

X = torch.arange(12, dtype=torch.float32).reshape((3, 4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
torch.cat((X, Y), dim=0)  # 按维度0连结
torch.cat((X, Y), dim=1)  # 按维度1连结

(tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[ 2., 1., 4., 3.],
[ 1., 2., 3., 4.],
[ 4., 3., 2., 1.]]),
tensor([[ 0., 1., 2., 3., 2., 1., 4., 3.],
[ 4., 5., 6., 7., 1., 2., 3., 4.],
[ 8., 9., 10., 11., 4., 3., 2., 1.]]))

逻辑运算符 构建二元张量

X == Y

tensor([[False, True, False, True],
[False, False, False, False],
[False, False, False, False]])

X.sum()  # 对张量所有元素求和

广播机制：形状不同，调用 广播机制 （broadcasting mechanism） 来执行按元素操作
使用广播，让形状不同的两个张量按0补齐形状后再进行对应元素的计算

a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
a, b

(tensor([[0],
[1],
[2]]),
tensor([[0, 1]]))

a + b

tensor([[0, 1],
[1, 2],
[2, 3]])

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

X[-1], X[1:3]

(tensor([ 8., 9., 10., 11.]),
tensor([[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]]))

通过指定索引来将元素写入矩阵

X[1, 2] = 9

多个元素赋值相同的值

X[0:2, :] = 12

tensor([[12., 12., 12., 12.],
[12., 12., 12., 12.],
[ 8., 9., 10., 11.]])

为新结果分配内存

before = id(Y)
Y = Y + X
id(Y) == before  # 不是原地操作

False

执行原地操作

Z = torch.zeros_like(Y)
print('id(Z):', id(Z))
Z[:] = X + Y
print('id(Z):', id(Z))

id(Z): 140452400950336
id(Z): 140452400950336

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

before = id(X)
X += Y  # 注意与上面进行区分 Y = Y + X
id(X) == before

True
注：在不重复使用的情况下，可用这种方式节省内存开销；如果后面还有操作会使用，就用新的命名

转换为 NumPy 张量

A = X.numpy()
B = torch.tensor(A)
type(A), type(B)

大小为1的张量转换为 Python 标量

a = torch.tensor([3.5])
a, a.item(), float(a), int(a)

(tensor([3.5000]), 3.5, 3.5, 3)

总结

1.介绍机器学习与神经网络中的数据结构
2.一些基本的数据操作