paddle2.0之 paddle Tensor 第一集

paddlepaddle2.0新的起航，是不是有新手小伙伴对这些很迷茫呢？

传说中的：可以new一个对象的python还没有到创建对象的能力。

听说对象在paddle的加持下已经是过去，只需百度和谷歌加上paddle的熟练操作，和paddle实现人机对话指日可待

作为一名paddle小白怎么办呢？

今天由三岁带大家一起开启paddle学习新梦想！

本文对应AIstudio地址：https://aistudio.baidu.com/aistudio/projectdetail/1275635

三岁白话paddle2.0系列历史地址

三岁白话paddle2.0系列第一话：起航新征程(项目)：https://aistudio.baidu.com/aistudio/projectdetail/1270135
三岁白话paddle2.0系列第一话：起航新征程(csdn)：https://blog.csdn.net/weixin_45623093/article/details/110198594

参考资料：

paddlepaddle官方文档：

https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc/guides/01_paddle2.0_introduction/basic_concept/tensor_introduction_cn.html

百度：https://www.baidu.com/s?wd=Tensor

pytorch官方文档：https://pytorch.org/tutorials/beginner/blitz/tensor_tutorial.html#sphx-glr-beginner-blitz-tensor-tutorial-py

Tensor->张量

在paddle中和大多数的深度学习框架一样Tensor是运算的基础，那么什么是Tensor呢？让我们一起来看看吧！

这是paddle提供的一种数据结构和python的几种内置结构类型有所不同，他更类似于C语言的多维数组，和Numpy的array相类似

我们可以非常方便的读取到位置上的内容，但是不能够轻易的给已经生成的Tensor添加成员或者生成维度（优缺点）

所有的修改都需要通过新建在把数据处理后复制进去（paddle对此作了一定程度的封装，便于使用）

数学上的张量（图解）

在数学上张量就是向量这个大家就有数了，但也可能是多维的向量，向量的向量，向量的向量的向量，……反复套娃

paddle Tensor的创建

# 导入paddle
import paddle

创建类似于vector的1-D Tensor，其rank为1

创建一个向量维度是一

# 可通过dtype来指定Tensor数据类型，否则会创建float32类型的Tensor
rank_1_tensor = paddle.to_tensor([2.0, 3.0, 4.0], dtype='float64')
print(rank_1_tensor)

Tensor(shape=[3], dtype=float64, place=CPUPlace, stop_gradient=True,
       [2., 3., 4.])

结果解析

shape=[3]：一维长度为3；

dtype=float64：类型是64位的；

place=CPUPlace：使用的是cpu；

stop_gradient=True：不求导，不参加梯度更新；

[2., 3., 4.]内容是[2., 3., 4.]

创建一个标量

这里使用两种办法得到的结果是一样的！

int_0 = paddle.to_tensor(2)
int_1 = paddle.to_tensor([2])
print(f"整型标量：{int_0},{int_1}")
float_0 = paddle.to_tensor(2.0, dtype='float64')
float_1 = paddle.to_tensor([2.0], dtype='float64')
print(f"浮点型标量：{float_0},{float_1}")

整型标量：Tensor(shape=[1], dtype=int64, place=CPUPlace, stop_gradient=True,
       [2]),Tensor(shape=[1], dtype=int64, place=CPUPlace, stop_gradient=True,
       [2])
浮点型标量：Tensor(shape=[1], dtype=float64, place=CPUPlace, stop_gradient=True,
       [2.]),Tensor(shape=[1], dtype=float64, place=CPUPlace, stop_gradient=True,
       [2.])

创建一个二维的张量（矩阵）

法方法和一维的一样，但是可以对比结果，看到一维和二维的差距明显

rank_2_tensor = paddle.to_tensor([[1.0, 2.0, 3.0],
                                  [4.0, 5.0, 6.0]])
print(rank_2_tensor)

Tensor(shape=[2, 3], dtype=float32, place=CPUPlace, stop_gradient=True,
       [[1., 2., 3.],
        [4., 5., 6.]])

创建多维矩阵

方法一样，就是把里面的内容进行一定程度的修改，把矩阵的维度进行一定的提高

# Tensor可以有任意数量的轴（也称为维度）
rank_3_tensor