04 数据结构

https://courses.d2l.ai/zh-v2/

N维数组是机器学习和深度学习的基本结构 （B,C,H,W）

两个冒号表示3行一跳，2列一跳

import torch
x = torch.arange(12)
x
>>>
tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

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

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()
>>>12

 要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)
X
>>>
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))
torch.ones((2,3,4))
torch.randn((3,4))

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]])

常见的标准算术运算符（+、-、*、/ 和 **）都可以被升级为按元素运算 

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.]))

 按元素方式应用更多的计算

torch.exp(x)
>>>
tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])

 我们也可以把多个张量 连结（concatenate） 在一起   torch.cat

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), torch.cat((X, Y), dim=1)
>>>
(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.]]))

通过 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]])

对张量中的所有元素进行求和会产生一个只有一个元素的张量 

 

X.sum()
》》》
tensor(66.)

即使形状不同，我们仍然可以通过调用 广播机制 （broadcasting mechanism） 来执行按元素操作 

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]])

 复制把a的1复制成2，成为（3,2）；b的1复制成3，成为（3,2），再进行相加

可以用 [-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.]]))

 最后一行，第二行和第三行。

除读取外，我们还可以通过指定索引来将元素写入矩阵

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

为多个元素赋值相同的值，我们只需要索引所有元素，然后为它们赋值

X[0:2, :] = 12
X
》》》
tensor([[12., 12., 12., 12.],
        [12., 12., 12., 12.],
        [ 8.,  9., 10., 11.]])

运行一些操作可能会导致为新结果分配内存 

before = id(Y)
Y = Y + X
id(Y) == before
》》》
False

 新的Y id不等于以前的Y id.

执行原地操作

Z = torch.zeros_like(Y)
print('id(Z):', id(Z))
Z[:] = X + Y  %这一步
print('id(Z):', id(Z))
》》》
id(Z): 140452400950336
id(Z): 140452400950336

 zeros_like:生成与括号中元素同样维度的tensor，并且全部都是0.

如果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
id(X) == before
》》》
True

转换为 NumPy 张量

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

 将大小为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)