pytorh两个主要特征
1.一个n维张量,类似于numpy,但可以在GPU上运行
2.搭建和训练神经网络时的自动微分/求导机制
tensor(张量)
标量(Scalar)是只有大小,没有方向的量,如1,2,3等
向量(Vector)是有大小和方向的量,其实就是一串数字,如[1,2,3,4]
]
矩阵(Matrix)是好几个向量拍成一排合并而成的一堆数字,如[[1,2],[3,4]]。这就是一个2*2矩阵
所以什么是张量?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。一维、二维、三维甚至是更高维度的数据都称之为张量
张量类似于 NumPy 的 ndarray,不同之处在于张量可以在 GPU 或其他专用硬件上运行以加速计算。如果您熟悉 ndarrays,那么您将熟悉 Tensor API。
导入pytorch
import torch
构造张量
新的张量默认将存储在内存中,并采用基于CPU的计算。在指定后可以基于GPU运算
1.构造一个指定shape矩阵,不初始化。如(5,3),就是一个5行3列的矩阵
x = torch.empty(5,3)
print(x)
tensor([[5.9694e-39, 1.0010e-38, 1.0102e-38],
[1.0561e-38, 1.0469e-38, 1.0653e-38],
[1.0469e-38, 4.2246e-39, 1.0286e-38],
[1.0653e-38, 1.0194e-38, 8.4490e-39],
[1.0469e-38, 9.3674e-39, 9.9184e-39]])
2.构造一个随机初始化的矩阵
x=torch.rand(5,3)
print(x)
tensor([[0.7128, 0.4246, 0.7655],
[0.3050, 0.1269, 0.7713],
[0.2658, 0.6642, 0.8440],
[0.4126, 0.6576, 0.7155],
[0.1038, 0.2788, 0.5126]])
3.构造一个元素全为0的张量,指定数据类型(例如:long)的矩阵,不指定默认为浮点数
x=torch.zeros(5,3)
print(x)
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
4.元素全为1的张量
x=torch.ones((2, 3, 4))
print(x)
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.]]])
5.指定范围的行向量
x = torch.arange(0, 10, 2)
print(x)
6.直接使用数据构造
x = torch.tensor(5)#标量
print(x)
x = torch.tensor([5,3,5.5])#一维
print(x)
data = [[1,2],[3,4]] #python的数组
x = torch.tensor(data)
print(x)
tensor(5)
tensor([