生成张量(数组)的几种方式
import torch
x=torch.arange(12)
# print(x)
# print(x.shape)
# print(x.numel())#number of elememt
x=x.reshape(3,4)
# print(x)
x=x.reshape(-1,3)#放置-1可以让张量自动推断维度
# print(x)
y=torch.zeros((2,3,4))#生成全0矩阵
# print(y)
y=torch.ones((2,3,4))#生成全1矩阵
# print(y)
y=torch.randn(3,4)#从均值为0,标准差为1的标准高斯分布正随机采样
print(y)
运算
算数基本运算
import torch
x = torch.tensor([1.,2,3,4])
y = torch.tensor([2,3,2,2])
print(x+y)
print(x-y)
print(x*y)
print(x/y)
print(x**y)#求x的y次幂
print(torch.exp(x))#求e的x次幂
张量连结
import torch
x=torch.arange(12,dtype=torch.float32).reshape((3,4))
y=torch.tensor([[2.,1,4,3],[3,5,2,3],[3,6,7,4]])
print(torch.cat((x,y),dim=0))#在列方向上合并两个张量
print(torch.cat((x,y),dim=1))#在行方向上合并两个张量
判断两个张量是否相等
import torch
x=torch.arange(12,dtype=torch.float32).reshape((3,4))
y=torch.tensor([[2.,1,4,3],[3,5,2,3],[3,6,7,4]])
print(x==y)
单个张量求和
import torch
x=torch.arange(12,dtype=torch.float32).reshape((3,4))
print(x.sum())
广播机制
import torch
x=torch.arange(3).reshape((3,1))
y=torch.arange(2).reshape((1,2))
print(x)
print(y)
#广播机制-前一个矩阵列的列和后一矩阵的行如果相同,在运算是可以自行将矩阵广播为相同的行列再进行运算
print(x+y)
切片与索引
import torch
x=torch.arange(12).reshape((3,4))
print(x[-1])#取出矩阵中的最后一行
print(x[1:3])#取出矩阵中的第一行和第三行
print(x[2,3])#取出第二行第三列的那个元素
x[0:2,:]=12#区间0到2行前闭后开,:表示所有列
print(x)
内存分配
import torch
x = torch.arange(12).reshape((3, 4))
y =torch.tensor([23,43,21,23])
print(id(y))
y=x+y
print(id(y))
可以发现,y的内存地址被重新分配了。如果想要不重新分配内存可以再创建新的z矩阵
import torch
x = torch.arange(4).reshape((1,4))
y =torch.tensor([23,43,21,23])
z=torch.zeros_like(y)#生成一个形状和y一样的全零矩阵
print(id(z))
z[:]=x+y
print(id(z))
z[:]=x-y
print(id(z))