第三章 PyTorch基础教程

一、数据类型

• 标量
  

• 向量(dim表示维度)
  

• shape：属性值，显示tensor的维度信息
  numel()：返回tensor的元素总数
  dim()：返回tensor维度值
  

二、创建Tensor

• 注：小写的tensor传入实际的数据内容，大写的Tensor与FloatTensor接收的是shape值(但也可以接收实际的数据内容)。建议使用小写的形式
• numpy转Tensor
  

• python的List转tensor
  

• 未初始化的tensor定义
  

注意：Torch.empty()传入shape值，生成随机初始化的值(注意覆盖随机值）

• tensor()的默认数值类型设置方法
  

• 随机初始化（初始化 W 与 b）**

• rand()：生成[0,1]上均匀分布的随机张量；
  *_like()：使用指定的tensor的shape创建对应的tensor

• randn()：生成N(0,1)的正态分布的初始化权重张量
  

• full()：生成指定大小与值的权重张量
  

• arange()：生成指定起止、间隔的数组张量
  

• linspace()：生成指定起止、包含个数的张量

• logspace()：生成指定底数(默认为：10)的指数值
  

• 生成常用型矩阵张量的API：ones() — 全1矩阵、zeros() — 全0矩阵、eys() —单位矩阵
  

• randperm()：随机打散，对于0到指定数字的所有数字进行打散操作
  

三、索引与切片

• 连续切片
  

• 间隔切片数据
  

• index_select(param1,param2)：方法实现切片
  param1：表示对哪个维度上进行操作（eg. 图中维度为4，可取0-3）
  param2：表示切片的范围(传入tensor，取起始到终止位前一个位置)
  

• … ：表示任意维度(可以简化切片写法)
  

• mask方法作用是提取出满足指定大小区间的元素值(但会将结果变为一维)
  

四、维度变换

• view()与reshape()功能一致，只要保证元素总数在变换前后一致

# view(size[])
# 设置为-1表示自动缩减为一维
x = torch.tensor(4,1,28,28)
x.view(-1,28*28) # 将4*1缩减为一维=4

• unsqueeze()：执行加入新维度操作
  

• 举例说明(设计偏置b的维度)
  

• squeeze()：可以压缩维度（仅能压缩维度为1的dim通道）
  

• 扩展操作
  Expand：是基于广播机制的一种扩展，是默认支持的(eg. [1,32,1,1] -> [4,32,14,14]) 推荐
  repeat：是一种主动将数值复制然后进行操作
  

• 矩阵转置操作
  注意：t()只能用于2维的转置
  

• transpose()：指定维度通道之间的交换

• contiguous()：用于对于转置后的矩阵进行连续化(即：原来是行向量，转置后为列向量，需要将数据结构保持一致)

• eq()：判断两个tensor的对应元素是否相等，每个对应位置都会生成一个Bool值

• all()：对于tensor中所有元素位置均为,True时才为True
  

• permute()：直接设定新的dim的顺序 推荐