CV:tensor(张量)

tensor

1. tensor的基础生成方式

import torch
"""
tensor是张量，本质上是一个数组，可以类比numpy中的ndarrays.
下面主要介绍生成张量的初始化操作，注意下面生成的全部是张量类型的，包括一维和二维
torch.empty() torch.zeros() torch.ones()有两个主要参数，张量大小和里面元素的数据类型，如torch.long 默认数据类型是torch.float32
torch.rand() torch.randn() torch.tensor([1, 2, 3]) torch.arange() torch.range() 
torch.new_ones() torch.randn_like()
.size()
"""

# 1. torch.empty() torch.zeros() torch.ones()始化操作

tensor_empty = torch.empty(5, 3)  # 里面数据根据分配的地址生成，是随机的
tensor_zeros = torch.zeros(1, 2, dtype=torch.long)
tensor_ones = torch.ones(1, 2, dtype=torch.double)

print(tensor_empty)
print(tensor_ones)
print(tensor_zeros)
print(tensor_empty.dtype)
print(tensor_zeros.dtype)
print(tensor_ones.dtype)

# 2. torch.rand() torch.randn()初始化操作

tensor_rand = torch.rand(1, 2)  # 随机生成[0, 1]之间的数字
tensor_randn = torch.randn(1, 2)  # 均值为0， 方差为1的服从正态分布的数中随机抽取

print(tensor_rand)
print(tensor_randn)

# 3. 利用已有的列表生成张量
tensor_list = torch.tensor([1, 2, 3])
print(tensor_list)

# 4. 利用已有的张量来生成张量
tensor_list = tensor_list.new_ones(1, 2)  # new_ones（）函数继承之前张量的元素数据类型，要指定张量大小
print(tensor_list)

tensor_list = torch.randn_like(tensor_list, dtype=torch.float)  # rand_like()函数继承之前张量的大小，需指定里面元素类型
print(tensor_list)

# 5. 获取张量的大小
tensor_list_size = tensor_list.size()
print(tensor_list_size)
print(type(tensor_list_size))
row, col = tensor_list_size
print(row, col)

# 6. 随机生成一个一维张量等差数列，等差数列中不包括最后一个元素
print(torch.arange(1, 10, 1))

2. tensor的基础操作

import torch
"""
加，减，点乘，点除, 绝对值，幂次，矩阵相乘，变换大小.view() , .item(), 索引[]，torch.clamp()
"""

# 1. tensor的加减，点乘，点除, 绝对值，幂次（以上操作都是针对每个元素进行的）

a = torch.ones(2, 2, dtype=torch.long)
b = torch.arange(1, 5, 1).view(2, 2)  # 以前是resize（）现在是view来改变张量的size
# print(a)
# print(b)
c = torch.add(a, b)
# print(c)
c = torch.mul(a, b)
# print(c)
c = torch.sub(a, b)
# print(c)
c = torch.div(a, b)
# print(c)

d = torch.pow(c, 3)  # 求每个元素的3次幂
# print(d)

m = torch.randn(2, 2)
# print(m)
# print(torch.abs(m))

# 2.矩阵乘法

c = torch.mm(a, b)
# print(c)

# 3. 改变张量的大小用view而不是resize，reshape

# print(c.view(4))
# print(c.view(-1, 2))  # 使用-1，torch会根据另一个自动计算

# 4. 索引操作

e = torch.randn(2, 3)
# print(e)
# print(e[:, 1])  # 索引编号都是从0开始
# print(e[-1, :])
# print(e[-1, :].size())
# print(e[1, 2])
# print(e[1, 2].size())


# 5. .item()获得只有一个元素的tensor的对应于python中的取值

x = torch.randn(1)
# print(x)
# print(x.item())
# print(type(x.item()))

# 6. 控制tensor中元素的上下界

e_clamp = torch.clamp(e, -0.5, 0.5)  # torch.clamp()有三个参数，要裁剪的张量，元素下界，上界
print(e_clamp)

3. tensor与数组之间的互换

import torch
import numpy as np
"""
torch的tensor与numpy的ndarray之间的相互转换,所有CPU上的Tensors，除了CharTensor均支持与Numpy的互相转换
张量.numpy()   torch.from_numpy(数组)
"""

# 1. 张量转为数组
a = torch.ones(2, 3)
b = a.numpy()
print(a)
print(b)

a.add_(1)  # add_()指的是新的张量覆盖之前的a张量
print(a)
print(b)  # Torch Tensor 和 Numpy ndarray 底层是分享内存空间的，也就是说改变其中之一会同时改变另一个


# 2. 数组转换为张量
c = np.empty([1, 2], dtype=int)
print(c)
d = torch.from_numpy(c)
print(d)
np.add(c, 1, out=c)  # out=c和c = np.add(c, 1)一个效果
print(d)