PyTorch中的一些数据操作

在深度学习中，我们会频繁的对数据进行操作。这是我们在写代码最基本、入门的一个操作。

首先导入torch包

import torch

弄懂张量、数组、向量、矩阵中的一些基本概念

张量表⽰由⼀个数值组成的数组，这个数组可能有多个维度。具有⼀个轴的张量对应数学上的向量（ vector ）。 具有两个轴的张量对应数学上的矩阵（matrix ）。

在PyTorch中， 可以使⽤ arange 创建⼀个⾏向量 x

代码如下

x1 = torch.arange(12)
print(x1)

输出结果如下：

tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

可以通过张量的 shape 属性来访问张量的形状

x1 =x1.shape
print(x1)

输出结果如下：

torch.Size([12])

也可以用numel()函数返回张量的个数

x1 =x1.numel()
print(x1)

输出结果如下：

12

要改变⼀个张量的形状而不改变元素数量和元素值，可以调⽤reshape函数。

x1 = x1.reshape(3, 4)
print(x1)

输出结果如下：

tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])

关于reshape()函数

我们还可以用这种写法来进行调用reshape函数

x2 = torch.reshape(x1,(3,4))
print(x2)

输出的结果是一样的，但是在使用reshape()函数时候，首先要计算好维度，比如刚刚我们那个的张量长度是12，所以我们reshape()函数的值必须两个相乘等于12，如(1,12），（2,6），（3，4），（4,3）（6,2）（12,1）等等。如果相乘的不相等，就会出现以下错误

x2 = torch.reshape(x1,(2,4))
print(x2)

 当然，如果我们想要避免算错，也可以用-1来替换其中一个数字，此时系统会根据你给的一直，计算出另一个值来，如下图

x2 = torch.reshape(x1,(2,-1))
print(x2)

输出结果是：

tensor([[ 0,  1,  2,  3,  4,  5],
        [ 6,  7,  8,  9, 10, 11]])

两个的数字不能同时为-1，就像解方程一样，a*b=12 ,这个方程永远解不出来。

x2 = torch.reshape(x1,(-1,-1))
print(x2)

 ----------------------------------------

我们希望使⽤全 0 、全 1 、其他常量或者从特定分布中随机采样的数字来初始化矩阵。我们可以创建⼀ 个形状为（2,3,2 ）的张量，其中所有元素都设置为 0 。代码如下：

x3 =torch.zeros((2, 3, 2))
print(x3)

其输出结果是：

tensor([[[0., 0., 0., 0.],
         [0., 0., 0., 0.],
         [0., 0., 0., 0.]],

        [[0., 0., 0., 0.],
         [0., 0., 0., 0.],
         [0., 0., 0., 0.]]])

zeros的第一个参数是有几个矩阵，第二个矩阵是Y轴，第三个坐标是X轴。

同样，我们可以创建⼀个形状为 (2,3,2) 的张量，其中所有元素都设置为 1 。代码如下：

x3 =torch.ones((2, 3, 4))
print(x3)

输出结果如下：

tensor([[[1., 1., 1., 1.],
         [1., 1., 1., 1.],
         [1., 1., 1., 1.]],

        [[1., 1., 1., 1.],
         [1., 1., 1., 1.],
         [1., 1., 1., 1.]]])

关于random()函数

有时我们想通过从某个特定的概率分布中随机采样来得到张量中每个元素的值。

创建⼀个形状为（ 3,4 ）的张量。其中的 每个元素都从均值为0 、标准差为 1 的标准⾼斯（正态）分布中随机采样。

x4 = torch.randn(3,4)
print(x4)

输出结果是：

tensor([[ 0.6315,  2.0303,  0.0325, -0.0615],
        [ 0.4824,  0.6846, -0.7828,  1.5057],
        [-0.8369,  0.2498,  0.5857,  1.8156]])

random()函数的延伸版本randint()函数

x4 = torch.randint(3,10,(3,2))
print(x4)

输出结果为：

tensor([[5, 9],
        [6, 3],
        [4, 5]])

randint(3,10,(3,2))他的意思是输出3到10之间，一个3*2的矩阵

torch.randperm()函数

代码如下图

x5 = torch.randperm(10)
print(x5)

输出结果是：

tensor([9, 1, 5, 8, 4, 7, 6, 3, 2, 0])

返回整数从0到n-1的随机排列。torch.randperm(10)返回0-9之间的随机排列

加减乘除

        对于任意具有相同形状的张量，常⻅的算术运算符（+、- 、 * 、 / 和 ** ）都可以被升级为按元素运算。都可以在同⼀形状的任意两个张量上调⽤按元素操作。

x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
print(x + y)
print(x * y)
print(x / y)
print(x * y)
print(x ** y)  # **运算符是幂运输

输出结果是：

tensor([ 3.,  4.,  6., 10.])
tensor([ 2.,  4.,  8., 16.])
tensor([0.5000, 1.0000, 2.0000, 4.0000])
tensor([ 2.,  4.,  8., 16.])
tensor([ 1.,  4., 16., 64.])

也可以求幂运输

z = torch.exp(x)
print(z )

tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])

还可以对张量所有的元素求和，使用sum函数就可

print(x)
print(x.sum())

输出结果：

tensor([1., 2., 4., 8.])
tensor(15.)

判断两个张量的元素是否相等

print(x)
print(y)
print(x==y)

输出结果是

tensor([1., 2., 4., 8.])
tensor([2, 2, 2, 2])
tensor([False,  True, False, False])

还可以用cat()函数连接两个张量

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]])
m= torch.cat((X,Y),dim=0)
n= torch.cat((X,Y),dim=1)
print(X)
print(Y)
print(m)
print(n)

输出结果是

tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.]])
tensor([[2., 1., 4., 3.],
        [1., 2., 3., 4.],
        [4., 3., 2., 1.]])
tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.],
        [ 2.,  1.,  4.,  3.],
        [ 1.,  2.,  3.,  4.],
        [ 4.,  3.,  2.,  1.]])
tensor([[ 0.,  1.,  2.,  3.,  2.,  1.,  4.,  3.],
        [ 4.,  5.,  6.,  7.,  1.,  2.,  3.,  4.],
        [ 8.,  9., 10., 11.,  4.,  3.,  2.,  1.]])

其中dim = 0 是沿着X轴链接，dim =1 是沿着Y轴链接

索引

print(X[-1])
#结果
tensor([ 8.,  9., 10., 11.])

当里面参数是-1时 表示是从矩阵的倒数第一行开始

-2是从倒数第二行

print(X[-2])
#结果
tensor([4., 5., 6., 7.])

如果超出了矩阵的X周，就会报以下错误

print(X[-4])

我们还可以截取某几行的，如下代码

print(X[1:3])
#结果
tensor([[ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.]])

除读取外，我们还可以通过指定索引来将元素写⼊矩阵。

X[1, 2] = 9
print(X)
#输出结果是
tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  9.,  7.],
        [ 8.,  9., 10., 11.]])