pytorch unsqueeze_pytorch学习笔记(kmeans简单实现）

pytorch和numpy有很多相似之处，有种似曾相识的感觉，以下纪录pytorch常用的数据操作,并实现kmean，以对pytorch接口有初步熟悉。

torch.from_numpy(ndarray)

将一个numpy数据转成Tensor张量，二者共用内存，意味着修改其中之一，会影响另一个

torch.Tensor(ndarray)

依据ndarray创建一个张量，同以上方法不同的是，二者不共用内存

Tensor 操作

• numpy()

Tensor转换成numpy

• unsqueeze(dim)

类似与numpy.expand_dims, 对张量扩维

d 

• repeat(dim1, dim2......)

依旧每一维需要拷贝的次数，对数据进行扩增

>>

• cat([Tensro], dim)

对张量按照dim进行拼接，类似于numpy.concatenate。也就是除了dim，需要合并矩阵的其他维度需要保持一致。

dt 

• 类型转换（long, int, bool）
• 数值操作（abs, abs_）

一般数值操作接口，都会对应一个带下划线的相同功能的接口。唯一不同，带下划线的是inplace的，而不带下划线的则返回一个新的张量。

Kmeans简单实现

有以上基础之后，来简单的实现下kmeans算法。

kmean算法很简单

1. 随机选择k个样本点作为初始中心点。
2. 计算样本到所有k个中心点的距离，距离最近的标记成对应的类别。
3. 计算新的中心点，返回步骤二，直到所有样本点标记不再变化。

具体实现如下。

def 

随机生成两组数据，作图如下

import 

下篇目标，从零实现全连接神经网络。