pytorch 张量

例程1:

import torch
t2=torch.tensor([[0,1,2],[3,4,5]])
print(t2)
print('数据={}'.format(t2))
print(t2.reshape(3,2))
print(t2+1)
print('大小={}'.format(t2.size()))
print('维度={}'.format(t2.dim()))
print('元素的个数={}'.format(t2.numel()))
print('元素的类型={}'.format(t2.dtype))

运行结果：

tensor([[0, 1, 2],
        [3, 4, 5]])
数据=tensor([[0, 1, 2],
        [3, 4, 5]])
tensor([[0, 1],
        [2, 3],
        [4, 5]])
tensor([[1, 2, 3],
        [4, 5, 6]])
大小=torch.Size([2, 3])
维度=2
元素的个数=6
元素的类型=torch.int64

构造随机变量

torch.bernoulli() 可以生成元素值为1或者0的张量

例程2.1 

probs=torch.full((3,4),0.5)
print(probs)
z1=torch.bernoulli(probs)
print(z1)

运行结果

 torch.multinomial(x,y)可以生成元素值{0,1，...n-1} 的张量。函数有两个参数，分别表示结果张量中元素出现的可能性张量和表示对每个概率分布抽样的次数（通常为1）。

例程2.2

weights = torch.tensor([[1,100],[100,1],[1,1]],dtype=torch.float32)
z2=torch.multinomial(weights,1)
print(weights)
print(z2)

运行结果

 2.3 

low表示均匀分布最小值，high表示均匀分布最大值。

z=torch.randint(low=0,high=4,size=(3,4))
print(z)
z1=torch.randint_like(torch.ones(3,4),low=0,high=4)
print(z1)

运行结果：

重新排量张量元素

例程3.1 

import torch
tc = torch.arange(12)
print('tc={}'.format(tc))
t43=tc.reshape(4,3)#会变换为矩阵
print('t43={}'.format(t43))
t322=tc.reshape(3,2,2)#不会变换为矩阵
print('t322={}'.format(tc))

 

例程3.2

z=torch.arange(24).reshape(2,-1,4)#大小（2,3,4）
print(z)
t=torch.arange(24).reshape(2,1,3,1,4)#大小（2,1,3,1,4）
print(t)
print(t.squeeze())#消除张量中大小为1的维度

 运行结果：

例程3.3

t= torch.arange(24).reshape(2,3,4)#大小（2,3,4）
print(t)
print(t.unsqueeze(dim=2))#大小为（2,1,3,4）

运行结果