# 构造一个5x3矩阵,不初始化
x = torch.empty(5,3)
print(x)
# 构造一个随机初始化矩阵
x = torch.rand(5,3)
print(x)
# 构造一个矩阵全为0,而且数据类型是long
x = torch.zeros(5, 3, dtype=torch.long)
print(x)
# 构造一个张量,直接使用数据
x = torch.sensor([5.5, 3])
print(x)
# 构造一个tensor,基于已经存在的tensor
x = torch.rand(5, 3)
x = x.new_ones(5, 3, dtype=torch.double)
print(x)
y = torch.randn_like(x, dtype=torch.float)
print(y)
# 获取矩阵的维度信息
print(x.size())
# 矩阵相加
x = torch.rand(5, 3)
y = torch.rand(5, 3)
print(x+y)
print(torch.add(x,y))
# 提供一个输出tensor作为参数
result = torch.empty(5,3)
torch.add(x, y, out=result)
print(result)
# adds x to y
y.add_(x)
print(y)
# 查看矩阵的某行列
print(x[:, 1])
# 改变矩阵的大小,改变一个tensor的大小或者形状使用:torch.view
x = torch.rand(4, 4)
y = x.view(16)
z = x.view(-1, 8)
print(x.size(), y.size(), z.size())
# 如果有一个元素tensor 使用.item()来获得这个value
x = torch.randn(1)
print(x)
print(x.item())
# 创建一个张量,设置requires_grad=True来跟踪与它相关的计算
x = torch.ones(2, 2, requires_grad=True)
print(x)
y = x + 2
print(y)
# y作为操作的结果被创建,所以它有grad_fn,但x为用户自己创建的张量,grad_fn是None
print(y.grad_fn)
print(x.grad_fn)
# 其他操作
z = y * y * 3
out = z.mean()
print(z, out)
# a.requires_grad_(True)可以改变a.requires_grad的标记
# 输入的默认标记为False,如果不提供相应的参数
a = torch.randn(2, 2)
a = ((a * 3)/(a - 1))
print(a.requires_grad)
a.requires_grad_(True)
print(a.requires_grad)
b = (a * a).sum()
print(b.grad_fn)
pytorch学习(一)
最新推荐文章于 2022-05-13 21:29:29 发布