05PyTorch 笔记复习-1

最新推荐文章于 2022-10-16 10:37:30 发布

岁岁平安·年年岁岁·岁岁年年

最新推荐文章于 2022-10-16 10:37:30 发布

阅读量367

点赞数

文章标签： python numpy 深度学习

本文链接：https://blog.csdn.net/qq_45864291/article/details/127314166

版权

import torch
import numpy as np

1. Tensor的基本概念和操作

# 1. 标量
a = torch.tensor(4.0) 

print("标量：", a)

标量： tensor(4.)

# 2. 向量
b = torch.tensor([1.5, 0, 3])

print("向量：", b)

向量： tensor([1.5000, 0.0000, 3.0000])

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

print("矩阵：", c)

矩阵： tensor([[1, 2],
        [3, 4]])

# 4. 多维矩阵
d = torch.tensor([[[1, 2],[3, 4]],[[5,6],[7,8]]])

print("多为矩阵：", d)

多为矩阵： tensor([[[1, 2],
         [3, 4]],

        [[5, 6],
         [7, 8]]])

# 5. 创建一个空的tensor
e = torch.empty(5, 3)
print(e)

tensor([[0.0000e+00, -0.0000e+00, 0.0000e+00],
        [0.0000e+00, 3.5873e-43, 3.6013e-43],
        [3.5873e-43, 0.0000e+00, 0.0000e+00],
        [0.0000e+00, 0.0000e+00, 0.0000e+00],
        [0.0000e+00, 1.1704e-41, 0.0000e+00]])

# 6. 创建一个矩阵，元素随机产生
f = torch.rand(5, 3)

print(f)

tensor([[0.4301, 0.2845, 0.1114],
        [0.5832, 0.4048, 0.0277],
        [0.7959, 0.9355, 0.1906],
        [0.5628, 0.7529, 0.0688],
        [0.5275, 0.0540, 0.6070]])

# 7. 创建一个全0的矩阵
g = torch.zeros(5, 3, dtype=torch.long)

print(g)

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

# 8. 创建一个全1的矩阵
h = torch.ones(5, 3)

print(h)

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

# 9. 创建一个产生随机元素的矩阵，其shape与另一个矩阵的shape大小一致
i = torch.rand_like(h, dtype=torch.float)

print(i)

tensor([[0.5062, 0.2639, 0.9956],
        [0.6048, 0.7033, 0.2503],
        [0.3588, 0.4485, 0.7846],
        [0.1614, 0.1567, 0.3434],
        [0.2343, 0.0906, 0.8587]])

2. Tensor的基本运算

# 10. Tensor 加法

## （1）写法1
j = torch.tensor([1, 2, 3])
k = torch.tensor([4, 5, 6])

print("Tensor 加法：", j + k)

Tensor 加法： tensor([5, 7, 9])

## （2）写法2
print("Tensor 加法：", torch.add(j, k))

Tensor 加法： tensor([5, 7, 9])

## （3）写法3：会改变原始的j
print("Tensor 加法：", j.add_(k))

Tensor 加法： tensor([5, 7, 9])

print(j)

tensor([5, 7, 9])

print(k)

tensor([4, 5, 6])

# 11. Tensor 除法

## （1）写法1
l = torch.tensor([6, 12])
m = torch.tensor([3, 6])

print("Tensor 除法：", l // m)

Tensor 除法： tensor([2, 2])

## （2）写法2

print("Tensor 除法：", torch.true_divide(l, m))

Tensor 除法： tensor([2., 2.])

# 12. 二维矩阵乘法

## （1）写法1
n = torch.ones(1, 2)
p = torch.ones(2, 1)

print("Tensor 乘法：", torch.mm(n, p))

Tensor 乘法： tensor([[2.]])

## (2) 写法2

print("Tensor 乘法：", torch.matmul(n, p))

Tensor 乘法： tensor([[2.]])

## (3) 写法3

print("Tensor 乘法：", n@p)

Tensor 乘法： tensor([[2.]])

## (4) 写法4

print("Tensor 乘法：", n.mm(p))

Tensor 乘法： tensor([[2.]])

# 13. 幂运算

##（1）写法1
q = torch.tensor([2, 3])

print("Tensor 幂运算：", torch.pow(q, 2))

Tensor 幂运算： tensor([4, 9])

## （2）写法2

print("Tensor 幂运算：", q.pow(2))

Tensor 幂运算： tensor([4, 9])

## （3）写法3

print("Tensor 幂运算：", q**2)

Tensor 幂运算： tensor([4, 9])

# 14. 开根号运算（开方运算）

## 写法1
r = torch.tensor([4,16], dtype=torch.float)

print("Tensor 开方运算：", r.sqrt())

Tensor 开方运算： tensor([2., 4.])

## 写法2

print("Tensor 开方运算：", torch.sqrt(r))

Tensor 开方运算： tensor([2., 4.])

# 15. 对数运算

## 写法1
s1 = torch.tensor([8, 16, 32], dtype=torch.float)

print("Tensor 对数运算：", torch.log2(s1))

Tensor 对数运算： tensor([3., 4., 5.])

## 写法2
s2 = torch.tensor([100, 1000, 10000], dtype=torch.float)

print("Tensor 对数运算：", torch.log10(s2))

Tensor 对数运算： tensor([2., 3., 4.])

# 写法3
s3 = torch.tensor([20, 30, 40], dtype=torch.float)

print("Tensor 对数运算：", torch.log(s3))

Tensor 对数运算： tensor([2.9957, 3.4012, 3.6889])

# 16. 取整/取余

t = torch.tensor([3.5, 9.982, 4.215])

## 写法1
print("向下取整数 floor() ：", t.floor())

向下取整数 floor() ： tensor([3., 9., 4.])

## 写法2
print("向上取整数 ceil() ：", t.ceil())

向上取整数 ceil() ： tensor([ 4., 10.,  5.])

## 写法3
print("四舍五入 round() ：", t.round())

四舍五入 round() ： tensor([ 4., 10.,  4.])

## 写法4
print("裁剪，只取整数部分 trunc() ：", t.trunc())

裁剪，只取整数部分 trunc() ： tensor([3., 9., 4.])

## 写法5
print("只取小数部分 frac() ：", t.frac())

只取小数部分 frac() ： tensor([0.5000, 0.9820, 0.2150])

## 写法6
print("取余 % ：", torch.tensor([25, 31]) % 7)

取余 % ： tensor([4, 3])

3. 其它Tensor操作

# 17. Resize, Reshape, View
u = torch.tensor([[1, 2, 3],
                  [4, 5, 6]])
print(u.shape)

torch.Size([2, 3])

## 写法1：resize
print("将(2,3) resize (3,2) : \n",u.resize(3,2))

将(2,3) resize (3,2) : 
 tensor([[1, 2],
        [3, 4],
        [5, 6]])


/Users/tommy/Torch/Torch/lib/python3.7/site-packages/torch/tensor.py:358: UserWarning: non-inplace resize is deprecated
  warnings.warn("non-inplace resize is deprecated")

## 写法2：reshape
print("将（2，3）reshape（3，2）: \n", u.reshape(3,2))

将（2，3）reshape（3，2）: 
 tensor([[1, 2],
        [3, 4],
        [5, 6]])

## 写法3：view
print("将（2，3）view（3，2）: \n", u.view(3,2))

将（2，3）view（3，2）: 
 tensor([[1, 2],
        [3, 4],
        [5, 6]])

# 原始的shape不变
u.shape

torch.Size([2, 3])

# 18. 获取一个tensor的值（注意：只针对一个值的tensor）
v = torch.tensor([2.3])

print("获取Tensor的值：item() : \n", v.item())

获取Tensor的值：item() : 
 2.299999952316284

# 19. Tensor 排序
w = torch.tensor([2, 22, 35, 9, 11, 4, 18, 13])

print("Tensor 升序排序：", torch.sort(w))

Tensor 升序排序： torch.return_types.sort(
values=tensor([ 2,  4,  9, 11, 13, 18, 22, 35]),
indices=tensor([0, 5, 3, 4, 7, 6, 1, 2]))

print("Tensor 逆序排序：", torch.sort(w, descending=True))

Tensor 逆序排序： torch.return_types.sort(
values=tensor([35, 22, 18, 13, 11,  9,  4,  2]),
indices=tensor([2, 1, 6, 7, 4, 3, 5, 0]))

# 20. 沿着指定纬度返回最大k个数值及其索引值
x = torch.tensor([2, 22, 35, 9, 11, 4, 18, 13])

print("Tensor 前4大元素：", torch.topk(x, k=4, dim=0, largest=True, sorted=True, out=None))

Tensor 前4大元素： torch.return_types.topk(
values=tensor([35, 22, 18, 13]),
indices=tensor([2, 1, 6, 7]))

print("Tensor 沿着指定纬度返回第k个最小值及其索引值：", torch.kthvalue(x, 5, dim=0))

Tensor 沿着指定纬度返回第k个最小值及其索引值： torch.return_types.kthvalue(
values=tensor(13),
indices=tensor(7))

# 21. 判断是否为nan,inf,finite
y = torch.tensor([2, 3, 4])

print(torch.isnan(y))

tensor([False, False, False])

print(torch.isfinite(y)) # 用于检查其参数是否是无穷大,如果number是有效数字（或可转换为有限数字），返回true

tensor([True, True, True])

print(torch.isinf(y)) # 用于检查其参数是否是无穷大

tensor([False, False, False])

# 22. tensor 转 numpy ，numpy 转 tensor

## 写法1：tensor 转 numpy
z = torch.tensor([4, 5, 6])

print("Tensor 转 Numpy :\n", z.numpy())

Tensor 转 Numpy :
 [4 5 6]

## 写法2：numpy 转 tensor
z2 = np.ones(6)
print("Numpy 转 Tensor :\n", torch.from_numpy(z2))

Numpy 转 Tensor :
 tensor([1., 1., 1., 1., 1., 1.], dtype=torch.float64)

# 23. 判断是否有GPU，如果有，则部署到GPU上运行

if torch.cuda.is_available():
    device = torch.device('cuda')
else:
    device = torch.device('cpu')
a1 = torch.tensor([1, 2, 3], device=device)
a2 = torch.tensor([4, 5, 6], device=device)
res = a1 + a2
print("a1 + a2 : ", res)