x = torch.arange(4)
print(x) # tensor([0, 1, 2, 3])
"""
我们可以使用下标引用矢量的任何元素。 例如,我们可以引用 x x 的第 i / th 元素 x x x x x x x x i xi。
请注意,元素 x i xi 是一个标量,因此我们在引用它时不使用粗体
"""
print(x[3]) # tensor(3)
# 3、长度、维度和形状
"""
矢量只是一个数字数组。 就像每个数组都有长度一样,每个向量也有长度。 在数学表示法中,如果我们说向量 x 由 n 个实数标量组成,
我们可以表示为 x ∈ Rn x ∈ Rn。 矢量的长度通常称为矢量的维数。
"""
# 与普通的 Python 数组一样,我们可以通过调用 Python 的内置 len ()函数来访问张量的长度。
print(len(x)) # 4
# 查看形状
print(x.shape) # torch.Size([4])
# 4、矩阵
A = torch.arange(20).reshape(5,4) # 将20以内的数字转换成5行4列的矩阵
print(A)
"""
tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19]])
"""
# 打印矩阵的转置
print(A.T)
"""
tensor([[ 0, 4, 8, 12, 16],
[ 1, 5, 9, 13, 17],
[ 2, 6, 10, 14, 18],
[ 3, 7, 11, 15, 19]])
"""
# 作为方阵的特殊类型,对称矩阵的转置等于本身
B = torch.tensor([[1,2,3],[2,0,4]
动手学习深度学习最新版(pytorch)-线性代数知识
最新推荐文章于 2022-11-17 10:30:11 发布
本文将通过PyTorch框架,深入浅出地讲解深度学习中不可或缺的线性代数基础知识,包括向量、矩阵运算、线性映射等概念,并结合实际例子进行演示,帮助读者建立起扎实的数学基础。
摘要由CSDN通过智能技术生成