Tensor

一。标量

a=torch.tensor(4.0)

print(a)

结果：tensor（4.）

二。向量

b=torch.tensor([1.5,0,3])
print(b)

结果：tensor([1.5000, 0.0000, 3.0000])

三。矩阵

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

结果： tensor([[1, 2],

                         [3, 4]])

四。创建一个空的tensor矩阵，torch.empty（行，列）

d=torch.empty(3,4)
print(d)

结果：

tensor([[0., 0., 0., 0.],
        [0., 0., 0., 0.],
        [0., 0., 0., 0.]])

五。创建一个随机矩阵，torch.rand(行，列)

e=torch.rand(3,2)
print(e)

结果：

tensor([[0.0818, 0.4541],
        [0.8915, 0.2545],
        [0.1289, 0.6292]])

六。创建一个全0 /1矩阵。torch.zeros/ones(行，列，dtype)

f=torch.zeros(3,2,dtype=torch.int)
print(f)

结果：

tensor([[0, 0],
        [0, 0],
        [0, 0]], dtype=torch.int32)

f=torch.ones(3,2,dtype=torch.int)
print(f)

结果：

tensor([[1, 1],
        [1, 1],
        [1, 1]], dtype=torch.int32)

七。创建一个随机矩阵，shape大小与f一样

g=torch.rand_like(f,dtype=torch.float)
print(g)

结果：

tensor([[0.4747, 0.0751],
        [0.6963, 0.0123],
        [0.3358, 0.8233]])

八。加法

x1=torch.tensor([1,2,3])
x2=torch.tensor([4,5,6])
1.print(x1+x2)

结果：

tensor([5, 7, 9])

2.print(torch.add(x1,x2))

结果：

tensor([5, 7, 9])

3.print(x1.add_(x2))    x1 的值改变

结果：

tensor([5, 7, 9])

print(x1)
print(x2)

结果：

tensor([5, 7, 9])
tensor([4, 5, 6])

九。除法

x3=torch.tensor([6,8,9])
x4=torch.tensor([2,4,3])
1.print(x3//x4)

结果：

tensor([3, 2, 3])

2.print(torch.true_divide(x3,x4))

结果：

tensor([3., 2., 3.])

十。乘法

x5=torch.tensor([[1,2],[3,4]])
x6=torch.tensor([[3,4],[5,6]])
1.print(torch.mm(x5,x6))

结果：

tensor([[13, 16],
        [29, 36]])

2.print(torch.matmul(x5,x6)

结果：

tensor([[13, 16],
        [29, 36]])

3.print(x5@x6)

结果：

tensor([[13, 16],
        [29, 36]])

4.print(x5.mm(x6))   x5 值不改变

结果：

tensor([[13, 16],
        [29, 36]])

十一。幂运算

x7=torch.tensor([1,2,3])
1.print(torch.pow(x7,2))

结果：

tensor([1, 4, 9])

2.print(x7.pow(2))

结果：

tensor([1, 4, 9])

3.print(x7**2)

结果：

tensor([1, 4, 9])

十二。开平方

x8=torch.tensor([1, 4, 9])
1.print(x8.sqrt())

结果：

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

2.print(torch.sqrt(x8))

结果：

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

十三。对数

x9=torch.tensor([2,4,8])
print(torch.log2(x9))

结果：

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

十四。取整/取余

1.向下取整

x10=torch.tensor([3.5,1.3,3.8])
print(x10.floor())

结果：

tensor([3., 1., 3.])

2.向上取整

print(x10.ceil())

结果：

tensor([4., 2., 4.])

3，四舍五入

print(x10.round())

结果：

tensor([4., 1., 4.])

4.只取整数部分

print(x10.trunc())

结果：

tensor([3., 1., 3.])

4.只取小数部分

print(x10.frac())

结果：

tensor([0.5000, 0.3000, 0.8000])

5.取余

x11=torch.tensor([34,55])
print(x11%5)

结果：

tensor([4, 0])

十五。其他tensor操作

1.resize

x12=torch.randint(0,10,(3,2))

print(x12)

结果：

tensor([[5, 1],
        [0, 6],
        [8, 7]])

print(x12.resize(2,3))

tensor([[5, 1, 0],
        [6, 8, 7]])

print(x12.shape)

torch.Size([3, 2])

http://t.csdnimg.cn/gpE4Nhttp://t.csdnimg.cn/gpE4N

2.reshape

print(x12.reshape(3,2))

tensor([[5, 1],
        [0, 6],
        [8, 7]])

print(x12.shape)

torch.Size([3, 2])

3.获取一个tensor的值

x13=torch.tensor([3.8])
print(x13.item())

结果：

3.799999952316284

4.排序

x14=torch.tensor([2,1,4,3,6,5,7,8])
print(torch.sort(x14))

结果：

torch.return_types.sort(
values=tensor([1, 2, 3, 4, 5, 6, 7, 8]),
indices=tensor([1, 0, 3, 2, 5, 4, 6, 7]))

x14=torch.tensor([2,1,4,3,6,5,7,8])
print(torch.sort(x14,descending=True))    逆排序

结果：

torch.return_types.sort(
values=tensor([8, 7, 6, 5, 4, 3, 2, 1]),
indices=tensor([7, 6, 4, 5, 2, 3, 0, 1]))