《动手学深度学习 PyTorch版》学习笔记（一）：数据操作

一、数据操作

在PyTorch中，torch.Tensor是存储和变换数据的主要工具。

"tensor"这个单词一般可译作“张量”，张量可以看作是一个多维数组。
标量可以看作是0维张量，向量可以看作1维张量，矩阵可以看作是二维张量。

1、torch.arange() 和torch.linspace

# arange(s, e, step) => 从s到e，步长为step
x8 = torch.arange(1, 10, 2)
# print(x8)

# linspace(s, e, steps) => 从s到e，均匀切分成steps份
x9 = torch.linspace(2,8,3)
# print(x9)

2、torch.range() 和torch.arange() 的区别

>>> y=torch.range(1,6)
>>> y
tensor([1., 2., 3., 4., 5., 6.])
>>> y.dtype
torch.float32

>>> z=torch.arange(1,6)
>>> z
tensor([1, 2, 3, 4, 5])
>>> z.dtype
torch.int64

3、torch.randn与torch.rand的区别

randn

torch.randn(*sizes, out=None) → Tensor

返回一个包含了从标准正态分布中抽取的一组随机数的张量

size：张量的形状

out：结果张量

rand

torch.rand(*sizes, out=None) → Tensor

返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数

4、NumPy数组与Tensor的互相转换（共享内存）

NumPy转Tensor：torch.from_numpy()
Tensor转NumPy：numpy()
另：可以使用 torch.tensor() 将NumPy数组转换成Tensor，但不再共享内存

5、Tensor on GPU

if torch.cuda.is_available():
    device = torch.device("cuda")          # GPU
    y = torch.ones_like(x, device=device)  # 直接创建一个在GPU上的Tensor
    x = x.to(device)                       # 等价于 .to("cuda")
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))       # to()还可以同时更改数据类型

6、索引

索引出来的结果与元数据共享内存

x = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(x)
y = x[0, :]  # 取出第一行
print(y)
y += 1
print(y)
print(x[0, :]) # 源tensor也被改了

输出

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

7、广播机制

当对两个形状不同的Tensor按元素运算时，可能会触发广播（broadcasting）机制：先适当复制元素使这两个Tensor形状相同后再按元素运算

x = torch.arange(1, 3).view(1, 2)
print(x)
y = torch.arange(1, 4).view(3, 1)
print(y)
print(x + y)

输出

tensor([[1, 2]])
tensor([[1],
        [2],
        [3]])
tensor([[2, 3],
        [3, 4],
        [4, 5]])