动手学深度学习（pytorch）学习记录1-数据操作[学习记录]

注：本代码在jupyter notebook上运行

import torch

# 用arange创建行向量
x = torch.arange(12)
print(x)

print(x.shape) # 打印张量的形状

x.numel() # 张量的元素个数

# 用reshape函数改变张量形状(元素值不会改变)
X = x.reshape(3, 4) # 改变成3行4列的形状
print(x)# 小写x
print(X)# 大写X

# 也可以用-1调用自动计算维度的功能
X1 = x.reshape(-1, 4)
X2 = x.reshape(3, -1)
print(X1, '\n' ,X2) # reshape的结果和上面一样

# 创建全0张量 指定形状（2，3，4）
torch.zeros((2, 3, 4))

# 创建全1张量 指定形状（2，3，4）
torch.ones((2, 3, 4))

# 从均值为0、标准差为1的正态分布中随机采样创建形状为（3，4）的张量
torch.randn(3,4)

# 通过python列表为张量元素赋值，最外层列表对应轴0，内层列表对应于轴1
x = torch.tensor([[1,2,3],[4,5,6],[7,8,9]])
print(x)
print(x[2])
print(x[0][0])
print(x[[2]])

# 简单的按元素运算
x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
x + y, x - y, x * y, x / y, x ** y # 加 减 乘 除 求幂

torch.exp(x)

# 张量拼接
X = torch.arange(12, dtype=torch.float32).reshape((3,4))
Y = torch.tensor([[2.0, 1, 4, 3], [5, 6, 8, 9], [10, 11, 12, 13]])
torch.cat((X, Y), dim=0), torch.cat((X, Y), dim=1) # 按行拼接、按列拼接

# 通过逻辑运算构建张量
# 判断张量x和y在对应位置是否相等，若对应位置相等则新张量在该位置值为1，否则为0
X == Y

# 对张量所有位置求和，产生一个单元素张量
X.sum()

# 广播机制，通过复制元素扩展数组，使转换后的张量具有相同的形状
# 对生成的数组执行按元素操作
X = torch.arange(3).reshape((3,1))
Y = torch.arange(2).reshape((1,2))
print(X, '\n', Y)
Z = X+Y
print(Z)

# 索引和切片
Z[-1], Z[1:3] # 最后一个元素，第二个和第三个元素

# 通过索引将指定元素写入
print(Z)
Z[1,1] = 0
print(Z)

# 多个元素赋相同的值
Z[:,0] = 6 # :表示所有行，0表示第一个元素，合在一起就是第一列
Z

# 节省内存问题
before = id(Y)
Y = Y + X
id(Y) == before
Z

# 这并不是符合我们的期待
# 模型参数巨大，且在短时间内多次更新，我们预期的是原地执行更新
# 不执行原地更新，其他引用会指向旧的内存位置，某些代码可能会无意中引用到旧的参数

# 如何解决：切片表示法
Z = torch.zeros_like(Y)# 创建一个形状像Y的全0矩阵
print("id(Z)", id(Z))
Z[:] = X+Y
print("id(Z)", id(Z))
# 可以发现变量Z实现了原地更新

# 另一种方法 Z += Y
print("id(Z)", id(Z))
Z += Y
print("id(Z)", id(Z))

# 转化为其他python对象
A = X.numpy() # tensor转化为NumPy张量(ndarray)
B = torch.tensor(A)# NumPy张量转化为tensor
type(A), type(B)

# 大小为1的张量转化为Python标量
a = torch.tensor([2.5])
a, a.item(), float(a), int(a)

所有源码均可下载https://download.csdn.net/download/weixin_50995339/89615342

本人学习地址

欢迎交流学习。