pytorch基本介绍：张量基本操作

写在最前

💡 这里的代码，是在jupyter下运行的。如果需要用于pycharm等运行，只需要将输出行换掉（以第一份代码为例）。

常见的函数

torch.arange(n) ：形成一个从$0$到$n-1$的一维张量（向量）。

import torch

x = torch.arange (12)
x
# pycharm下运行
print(x)

x.reshape(m,n) ：形成一个$m\times n$的二维张量（矩阵）

y = x.reshape(3,4)
# y被重塑为3行4列的矩阵
y

torch.randn(m,n)：形成一个$m\times n$的二维随机张量（矩阵，以概率1的正态分布）

torch.ones(m,n)：形成一个$m\times n$的二维张量（矩阵，全1）

torch.zeros(m,n)：形成一个$m\times n$的二维张量（矩阵，全0）

# zeros, ones 可以设置成

z = torch.randn(3, 4)
x = torch.randn(3, 4)
c = torch.randn(3, 4)
z, x, c

运算符

这里的运算符，都是指按元素操作！（这点与julia、matlab都很大不同；一定谨记，很多个bug都是会出现在这里）

x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
x + y, x - y, x * y, x / y, 
x ** y# **运算符是求幂运算

如果a与b的size不同，则以某种方式将a或b进行复制，使得复制后的a和b的size相同，然后再将a和b做element-wise的乘法[1]。

张量的连结：将两个张量连结在一起。要注意：要连结的端是行时，参数给为dim = 0；要连结的端时列，参数给为dim = 1。

X = torch.arange(12, dtype=torch.float32).reshape((3,4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
torch.cat((X, Y), dim=0), torch.cat((X, Y), dim=1)

线代运算

torch.dot(x,y)：点积。点积出现在两个向量之间。注意：维度必须相同。

x = torch.arange(4, dtype = torch.float32)
y = torch.ones(4, dtype = torch.float32)
# dtype参数是指定类型
x, y, torch.dot(x, y)

如果没有指定dtype，则会报错。并不会强制类型转换。

x = torch.arange(4)
y = torch.ones(4, dtype = torch.float32)
# dtype参数是指定类型
x, y, torch.dot(x, y)

如果维度错误，则会报错inconsistent tensor size。

torch.mv(A, x) ：矩阵向量乘法（matrix-vector）。出现在矩阵-向量之间。保证A的列数与x的维度相等。

x = torch.randn(3,4)
y = torch.ones(4, dtype = torch.float32)
# dtype参数是指定类型
x, y, torch.mv(x, y)

torch.mm(A, B) ：矩阵矩阵乘法（matrix-matrix）。出现在矩阵-矩阵之间。保证A的列数与B的维度相等。

x = torch.randn(3,4)
y = torch.randn(4,3)
torch.mm(x, y)
# pycharm下
print(torch.mm(x, y))

范数

范数定义：

$$\Vert x{\Vert }_p={\left({\left|x_1\right|}^p+{\left|x_2\right|}^p+\cdots +{\left|x_n\right|}^p\right)}^{\frac{1}{p}}$$

torch.norm(input, p='fro', dim=None, keepdim=False, out=None, dtype=None)

参数如下：

• input：输入tensor
• p (int, float, inf, -inf, 'fro', 'nuc', optional)：范数计算中的幂指数值。默认为’fro’
• dim (int，2-tuple，2-list， optional): 指定计算的维度。如果是一个整数值，向量范数将被计算；如果是一个大小为2的元组，矩阵范数将被计算；如果为None，当输入tensor只有两维时矩阵计算矩阵范数；当输入只有一维时则计算向量范数。如果输入tensor超过2维，向量范数将被应用在最后一维
• keepdim(bool，optional)指明输出tensor的维度dim是否保留。如果dim=None或out=None,则忽略该参数。默认值为False，不保留
• out(Tensor, optional):tensor的输出。如果dim=None或out=None,则忽略该参数。
• dtype(torch.dtype，optional)：指定返回tensor的期望数据类型。如果指定了该参数，在执行该操作时输入tensor将被转换成 :attr:’dtype’

x = torch.arange(12) # tensor(0,1,...,11)
torch.norm(x) # 默认为2——L2范数
torch.norm(x,1) # 默认为2——L2范数
torch.norm(x,inf) # 默认为2——L2范数

'''
#输出
tensor(22.4944)
tensor(66.)
tensor(11.)

'''

参考文献

[1] https://blog.csdn.net/da_kao_la/article/details/87484403

[2] https://zh.d2l.ai/chapter_preliminaries/linear-algebra.html#sec-linear-algebra