Torch的基本使用
通过指定均值和标准差生成随机数：
# 通过指定均值和标准差生成随机数
torch.manual_seed(456)
# 均值为0 标准差为1
a = torch.normal(mean=0, std=torch.tensor(1.0))
print(a)
生成0-1上均匀分布的张量：
# 生成0-1上均匀分布的张量
tensor1 = torch.rand(2, 3)
print(tensor1)
生成相同尺寸的随机数张量：
# 生成相同尺寸的随机数张量
tensor1 = torch.rand_like(tensor2)
print(tensor1)
生成0-50随机排列的张量：
# 生成0-50随机排列的张量
tensor1 = torch.randperm(50)
print(tensor1)
输出：
tensor([42, 16, 43, 39, 28, 4, 5, 45, 48, 25, 34, 1, 21, 33, 13, 29, 15, 12,
40, 6, 10, 22, 17, 2, 26, 14, 47, 36, 0, 38, 11, 18, 37, 31, 7, 27,
3, 41, 9, 49, 23, 30, 8, 19, 44, 24, 35, 20, 32, 46])
张量数据CPU与GPU的转换：
print(tensor1.cpu())
print(tensor1.cuda())
输出：
tensor([1., 2., 3.])
tensor([1., 2., 3.], device='cuda:0')
判断Tensor是否在CUDA上（True在、False不在）：
# 判断tensor是否在CUDA上
print(tensor1.is_cuda)
输出Tensor所在位置：
print(tensor1.device)
生成指定范围指定步长的张量：
# 生成指定范围指定步长的张量
tensor1 = torch.arange(start=0, end=100, step=5)
print(tensor1)
输出：
tensor([ 0, 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80, 85,
90, 95])
使用linspace生成固定数量等间隔的张量：
# 使用linspace生成固定数量等间隔的张量
tensor1 = torch.linspace(start=0, end=100, steps=10)
print(tensor1)
输出：
tensor([ 0.0000, 11.1111, 22.2222, 33.3333, 44.4444, 55.5556, 66.6667,
77.7778, 88.8889, 100.0000])
生成以对数为间隔的张量：
# 生成以对数为间隔的张量
tensor1 = torch.logspace(start=0, end=1, steps=10)
print(tensor1)
获取张量的维度：
注：shape 是一个属性，直接访问，也返回一个元组（tuple），包含了 PyTorch 张量 x 的各个维度的尺寸信息。
size() 是一个函数，调用时不需要加括号，返回一个元组（tuple），包含了 PyTorch 张量 x 的各个维度的尺寸信息。
print(tensor1.shape)
print(tensor1.size())
输出：
torch.Size([3])
torch.Size([3])
计算张量中元素个数
tensor1.numel()
使用requires_grad是否需要计算梯度（只有浮点数可以计算梯度）
tensor1 = torch.tensor((4, 5, 6), dtype=torch.float32, requires_grad=True)
print(tensor1)
输出：
tensor([4., 5., 6.], requires_grad=True)
创建具有特定大小的张量
tensor1 = torch.Tensor(2, 3)
print(tensor1)
输出：
tensor([[0.0000, 1.8750, 0.0000],
[2.0000, 0.0000, 2.1250]])
改变张量形状（reshape）：
# 改变张量形状
tensor1 = torch.arange(15)
tensor2 = tensor1.reshape(5, 3)
tensor3 = torch.reshape(input=tensor1, shape=(3, 5))
print(tensor1)
print(tensor2)
print(tensor3)
输出：
tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
tensor([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11],
[12, 13, 14]])
tensor([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
改变张量形状（resize）：
tensor2 = tensor1.resize(3, 5)
print(tensor2)
输出：
tensor([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
改变张量形状（resize_）：
tensor1.resize_(3, 5)
print(tensor1)
输出：
tensor([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
将张量B形状设置和A一样：
# 将张量B形状设置和A一样
tensor1 = torch.Tensor([[9, 8, 7], [4, 5, 6]])
tensor2 = torch.randperm(6)
print(tensor2)
tensor2 = tensor2.resize_as(tensor1)
print(tensor2)
输出：
tensor([4, 1, 2, 5, 0, 3])
tensor([[4, 1, 2],
[5, 0, 3]])
升维：
# 升维
print(tensor1.shape)
tensor1 = torch.unsqueeze(tensor1,dim=0)
print(tensor1.shape)
输出：
torch.Size([2, 3])
torch.Size([1, 2, 3])
降维：
# 降维
print(tensor1.shape)
tensor1 = torch.squeeze(tensor1, dim=0)
print(tensor1.shape)
输出：
torch.Size([1, 2, 3])
torch.Size([2, 3])
使用expand进行张量扩展：
# 使用expand进行张量扩展
tensor1 = torch.arange(5)
tensor2 = tensor1.expand(3, -1)
print(tensor2)
输出：
tensor([[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4]])
使用expand_as进行张量扩展：
tensor3 = torch.arange(10).resize(2, 5)
tensor2 = tensor1.expand_as(tensor3)
print(tensor2)
输出：
tensor([[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4]])
根据条件筛选：
# 根据条件筛选
tensor1 = torch.randperm(12).reshape(3, 4)
tensor2 = -tensor1
print(tensor1)
print(tensor2)
tensor3 = torch.where(tensor1 > 6, tensor1, tensor2)
print(tensor3)
输出：
tensor([[ 6, 4, 8, 2],
[ 3, 0, 11, 10],
[ 9, 1, 7, 5]])
tensor([[ -6, -4, -8, -2],
[ -3, 0, -11, -10],
[ -9, -1, -7, -5]])
tensor([[-6, -4, 8, -2],
[-3, 0, 11, 10],
[ 9, -1, 7, -5]])
获取矩阵张量下三角：
# 获取矩阵下三角
tensor1 = torch.randperm(16).reshape(4, 4)
print(torch.tril(tensor1, diagonal=0))
输出：
tensor([[15, 0, 0, 0],
[14, 3, 0, 0],
[12, 0, 1, 0],
[11, 13, 8, 6]])
获取矩阵张量上三角：
# 获取矩阵上三角
tensor1 = torch.randperm(16).reshape(4, 4)
print(torch.triu(tensor1, diagonal=0))
输出：
tensor([[11, 13, 3, 7],
[ 0, 4, 6, 14],
[ 0, 0, 8, 5],
[ 0, 0, 0, 2]])
生成对角阵：
# 生成对角阵
tensor1 = torch.diag(torch.Tensor([1, 2, 3]))
print(tensor1)
输出：
tensor([[1., 0., 0.],
[0., 2., 0.],
[0., 0., 3.]])
张量的拼接和拆分
拼接张量（cat）：
tensor1 = torch.arange(12).reshape(3, 4)
tensor2 = torch.linspace(0, 50, 12).reshape(3, 4)
# 0维度拼接张量 列上拼接
tensor3 = torch.cat((tensor1, tensor2), dim=0)
# 1维度拼接张量 行上拼接
tensor4 = torch.cat((tensor1, tensor2), dim=1)
print(tensor3)
print(tensor4)
输出：
tensor([[ 0.0000, 1.0000, 2.0000, 3.0000],
[ 4.0000, 5.0000, 6.0000, 7.0000],
[ 8.0000, 9.0000, 10.0000, 11.0000],
[ 0.0000, 4.5455, 9.0909, 13.6364],
[18.1818, 22.7273, 27.2727, 31.8182],
[36.3636, 40.9091, 45.4545, 50.0000]])
tensor([[ 0.0000, 1.0000, 2.0000, 3.0000, 0.0000, 4.5455, 9.0909, 13.6364],
[ 4.0000, 5.0000, 6.0000, 7.0000, 18.1818, 22.7273, 27.2727, 31.8182],
[ 8.0000, 9.0000, 10.0000, 11.0000, 36.3636, 40.9091, 45.4545, 50.0000]])
沿新的维度拼接张量（stack）：
tensor1 = torch.arange(12).reshape(3, 4)
tensor2 = torch.linspace(0, 50, 12).reshape(3, 4)
# 0维度拼接张量 列上拼接
tensor3 = torch.stack((tensor1, tensor2), dim=0)
# 1维度拼接张量 行上拼接
tensor4 = torch.stack((tensor1, tensor2), dim=1)
print(tensor3)
print(tensor4)
输出：
tensor([[[ 0.0000, 1.0000, 2.0000, 3.0000],
[ 4.0000, 5.0000, 6.0000, 7.0000],
[ 8.0000, 9.0000, 10.0000, 11.0000]],
[[ 0.0000, 4.5455, 9.0909, 13.6364],
[18.1818, 22.7273, 27.2727, 31.8182],
[36.3636, 40.9091, 45.4545, 50.0000]]])
tensor([[[ 0.0000, 1.0000, 2.0000, 3.0000],
[ 0.0000, 4.5455, 9.0909, 13.6364]],
[[ 4.0000, 5.0000, 6.0000, 7.0000],
[18.1818, 22.7273, 27.2727, 31.8182]],
[[ 8.0000, 9.0000, 10.0000, 11.0000],
[36.3636, 40.9091, 45.4545, 50.0000]]])
分割张量（chunk）：
tensor1 = torch.arange(12).reshape(2, 6)
tensor2 = torch.chunk(tensor1, 2, dim=0)
tensor3 = torch.chunk(tensor1, 6, dim=1)
print(tensor1)
print(tensor2)
print(tensor3)
输出：
tensor([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11]])
(tensor([[0, 1, 2, 3, 4, 5]]), tensor([[ 6, 7, 8, 9, 10, 11]]))
(tensor([[0],
[6]]), tensor([[1],
[7]]), tensor([[2],
[8]]), tensor([[3],
[9]]), tensor([[ 4],
[10]]), tensor([[ 5],
[11]]))
分割张量指定每个块大小（spilt）：
a, b, c = torch.split(tensor1, [1, 2, 3], dim=1)
print(a)
print(b)
print(c)
输出：
tensor([[0],
[6]])
tensor([[1, 2],
[7, 8]])
tensor([[ 3, 4, 5],
[ 9, 10, 11]])
7万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
