文章目录
写在前面:学习深度学习的基本知识:向量与矩阵。
1 1维张量:向量
1.1 快速生成向量的方法
- linspace函数,(起点float, 终点float, 分成几份int)
>>>c01 = t.linspace(1.0, 10.0, 4)
>>>c01
tensor([ 1., 4., 7., 10.])
- arrange函数(对应的是Tensorflow中的range函数)
>>>b5 = t.arange(1, 5)
>>>b5
tensor([1, 2, 3, 4])
- logspace函数(起始值,结束值,生成几个值)
需要注意的是,这里的起始值和结束值都是以10次方来计算的。
比如说:
>>>a6 = t.logspace(0, 2, 4)
>>>a6
tensor([ 1.0000, 4.6416, 21.5443, 100.0000])
2 2维张量:矩阵
2.1 生成全零矩阵:zeros
- 对于Tensorflow和PyTorch来说,都使用的是zeros函数
但是,TensorFlow需要的是一个列表,而PyTorch直接给出参数就可以
import tensorflow as tf
b1 = tf.zeros([5,5])
# 生成一个五行五列全零的矩阵
import torch as t
b2 = t.zeros(5, 5)
# 生成一个五行五列全零的矩阵
2.2 生成全1的矩阵:ones
类似于zeros
2.3 根据其他矩阵的行列值,生成新的全零全1 的矩阵 ones_like zeros_like
# 假设a1 是一个三行三列的全0的矩阵
a2 = ones_like(a1)
# 表示生成一个和a1类型一样(三行散列)全1 的矩阵
2.4 生成对角线1 的单位矩阵:eye函数
a = t.eye(5)
# 表示生成一个5行5列的单位矩阵
2.5 矩阵的转置,tensorflow用的是transpose
- pytorch用的是t
import torch as t
a = t.ones(3, 6)
a
tensor([[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.]])
b = t.t(a)
b
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
2.6 改变张量的形状:view
- 比如说,将一个向量(100d)转换为一个10*10 的矩阵
b1 = t.arange(0, 100)
b1
tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17,
18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35,
36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53,
54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71,
72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89,
90, 91, 92, 93, 94, 95, 96, 97, 98, 99])
b2 = b1.view(10, 10)
b2
tensor([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14, 15, 16, 17, 18, 19],
[20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
[30, 31, 32, 33, 34, 35, 36, 37, 38, 39],
[40, 41, 42, 43, 44, 45, 46, 47, 48, 49],
[50, 51, 52, 53, 54, 55, 56, 57, 58, 59],
[60, 61, 62, 63, 64, 65, 66, 67, 68, 69],
[70, 71, 72, 73, 74, 75, 76, 77, 78, 79],
[80, 81, 82, 83, 84, 85, 86, 87, 88, 89],
[90, 91, 92, 93, 94, 95, 96, 97, 98, 99]])