PyTorch入门基础串讲

PyTorch的基本概念

Tensor

有时遇到的数据是很高维度的，很难使用矩阵或向量来描述，这时就用张量来描述任意维度的物体
Tensor与机器学习的关系

Tensor与机器学习的关系

我们使用tensor来对样本和模型进行描述

Tensor的类型

Tensor的创建

Tensor创建编程实例

import torch
import numpy as np

"""
几种特殊的tensor
"""
a = torch.Tensor([[1, 2], [3, 4]])
print(a)
print(a.type())
"""
输出：
    tensor([[1., 2.],
            [3., 4.]])
    torch.FloatTensor
"""
#对比
a1 = np.array([[1, 2], [3, 4]])
print(a1)
"""
输出：
    [[1 2]
     [3 4]]
"""

b = torch.Tensor(2, 3)  # 定义一个2×3的二阶tensor
# 使用shape来定义时，初始值为随机值
print(b)
print(b.type())
"""
输出：
    tensor([[9.5461e-01, 4.4377e+27, 1.7975e+19],
            [4.6894e+27, 7.9463e+08, 5.0944e-14]])
    torch.FloatTensor
"""
c = torch.ones(2, 2)  # 定义一个2×2的二阶tensor，值全为“1”
print(c)
print(c.type())
"""
输出：
    tensor([[1., 1.],
            [1., 1.]])
    torch.FloatTensor
"""
d = torch.eye(2, 2)  # 定义一个2×2的二阶tensor，对角线值全为“1”，其他为“0”
print(d)
print(d.type())
"""
输出：
    tensor([[1., 0.],
            [0., 1.]])
    torch.FloatTensor
"""
e = torch.zeros(2, 2)  # 定义一个2×2的二阶tensor，值全为“0”
print(e)
print(e.type())
"""
输出：
    tensor([[0., 0.],
            [0., 0.]])
    torch.FloatTensor
"""
f = torch.zeros_like(b)  # 跟某个tensor拥有相同的shape，且值全为“0”
print(f)
print(f.type())
"""
输出：
    tensor([[0., 0., 0.],
            [0., 0., 0.]])
    torch.FloatTensor
"""

g = torch.ones_like(b)  # 跟某个tensor拥有相同的shape，且值全为“1”
print(g)
print(g.type())
print("+++++++++++++++++++++++++++++++++++++++++")

'''
输出：
    tensor([[1., 1., 1.],
            [1., 1., 1.]])
    torch.FloatTensor
'''

'''
随机
'''
h = torch.rand(2, 2)  # 随机生成某个shape的tensor
print(h)
print(h.type())
'''
输出：
    tensor([[0.9980, 0.0754],
            [0.2034, 0.8852]])
    torch.FloatTensor
'''
i = torch.normal(mean=0.0, std=torch.rand(5))
# 构造5组不同的高斯分布,均值为“0”和标准差随机
# 生成随机满足正态分布的值
print(i)
print(i.type())
'''
输出：
    tensor([-0.5050, -0.6762, -0.9310,  0.9907, -0.1264])
    torch.FloatTensor
'''

j = torch.normal(mean=torch.rand(5), std=torch.rand(5))
# 构造5组不同的高斯分布,均值和标准差随机
# 生成随机满足正态分布的值
print(j)
print(j.type())
'''
输出：
    tensor([0.9474, 0.6925, 0.1974, 0.1186, 1.5995])
    torch.FloatTensor
'''
k = torch.Tensor(2, 2).uniform_(-1, 1)
# 定义均匀分布
# 需要先指定tensor的大小，然后再定义(-1,1)之间的均匀分布
# 生成随机满足均匀分布的值
print(k)
print(k.type())
print("++