机器学习（一） | 数据操作

N维数组

0d标量

1d向量[1.0,2.7,3.4]

2d矩阵

[[1.0,2.7,3.4]

[1.0,2.7,3.4]

[1.0,2.7,3.4]]

3dRGB图片

4d一个RGB图片批量

5d视频

创建数组

创建数组需要：

形状、数据类型、每个元素的值

访问元素

一个元素[1,2]

一行[1,:]

一列[:,1]

子域[1:3,1:]左闭右开

子区域[::3,::2]

张量表示一个由数值组成的数组，这个数组可能有多个维度

x=torch.arange(12)#生成一个张量x [0,1,2...11]

可以指定数据类型如x.torch.arrange(12,dtype=torch.float32)

x.shape#返回一个数组

x.numel()#number of element元素个数，标量

X=x.reshape(3,4)#改变张量的形状而不改变元素数量和元素值，生成3*4的矩阵

torch.zeros

torch.ones

标准的算术运算+-*/和**指数（都是按元素+-*/**）

把多个张量连结在一起:

torch.cat((X, Y), dim=0)#按行连结

 torch.cat((X, Y), dim=1)#按列连结

X==Y#通过逻辑运算符构建张量

X.sum()#对张量所有元素求和

广播机制

a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
a, b

(tensor([[0],
         [1],
         [2]]),
 tensor([[0, 1]]))

a + b

tensor([[0, 1],
        [1, 2],
        [2, 3]])

以上a复制了两列，b复制了3行

X[-1]

X[1:3]

X[1,2]=9

X[0:2,:]=12

运行一些操作可能会导致为新结果分配内存

before = id(Y)
Y = Y + X#本质上是产生了一个新的Y(在Python中)
id(Y) == before


False

原地操作

Z = torch.zeros_like(Y)
print('id(Z):', id(Z))
Z[:] = X + Y#本质上是对Z进行改写(这里与C++理解相同)
print('id(Z):', id(Z))

id(Z): 140182725157808
id(Z): 140182725157808

before = id(X)
X += Y#这个是原地操作
id(X) == before

True

转换为其他Python对象

A = X.numpy()
B = torch.tensor(A)
type(A), type(B)

(numpy.ndarray, torch.Tensor)#X为torch数据类型，A为numpy，B为torch

将大小为1的张量转换为Python标量

a = torch.tensor([3.5])
a, a.item(), float(a), int(a)

(tensor([3.5000]), 3.5, 3.5, 3)