x = torch.zeros(5, 3, dtype=torch.long)
x = torch.tensor([5.5, 3])
你在这里创建了两个PyTorch张量x。
第一个张量x是一个5x3的零张量,数据类型(dtype)为torch.long。这个张量将会是一个5行3列的矩阵,所有元素都被初始化为0,并且数据类型为long整数。
第二个张量x是一个包含两个元素的张量,元素的值分别为5.5和3。PyTorch会根据提供的数据自动确定数据类型(dtype),通常情况下会选择float32或者float64,取决于输入数据的精度。在这个例子中,如果没有明确指定dtype,x的数据类型可能是torch.float32或torch.float64。
需要注意的是,这两个张量x的形状(shape)是不同的。第一个张量x的形状是(5, 3),而第二个张量x的形状是(2,),即一个包含两个元素的一维张量。如果需要对它们进行运算或者其他操作,需要考虑它们的形状是否兼容。
##索引
x[:, 1] 删除记录删除这句复制
x[:, 1] 这个索引操作表示从张量 x 中选择所有行(:表示选择所有行),但只选择第二列(1 表示第二列,Python中的索引从0开始)。这将返回一个新的张量,其中包含了所有行中的第二列元素。
假设你的张量 x 是:
x = torch.tensor([[1.0, 2.0, 3.0],
[4.0, 5.0, 6.0],
[7.0, 8.0, 9.0],
[10.0, 11.0, 12.0],
[13.0, 14.0, 15.0]])
那么 x[:, 1] 的结果将是一个包含所有行中第二列元素的一维张量:
tensor([ 2., 5., 8., 11., 14.])
x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8)
print(x.size(), y.size(), z.size())
这段代码涉及了PyTorch中的张量操作和形状变换。
x = torch.randn(4, 4): 这行代码创建了一个4x4的张量x,其中的元素是从均值为0、标准差为1的正态分布中随机抽取得到的。
y = x.view(16): 这行代码将张量x的形状改变为一维张量,总共包含16个元素。.view()方法用于改变张量的形状,这里将4x4的张量变形为包含16个元素的一维张量。
z = x.view(-1, 8): 这行代码将张量x的形状改变为2行8列的张量,其中 -1 表示自动计算该维度的大小以使得总元素数不变。这里将4x4的张量变形为2行8列的张量。
print(x.size(), y.size(), z.size()): 这行代码分别打印了张量x、y和z的形状大小。size()方法返回一个包含各维度大小的元组。
假设初始时x的形状是4x4,那么输出将是:
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])