01 数据操作

1.数据操作

1.1 N维数组样例

• 0-d(标量)
  
  
  1.0
  一个类别
  
• 1-d(向量)
  

[1.0,2.7,3.4]

一个特征向量

• 2-d(矩阵)
  
  
  [[1.0,2.7,3.4],
  
  [5.0,0.2,4.6],
  
  [4.3,8.5,0.2]]
  
  
  一个样本–特征矩阵
• 3-d
  
  

[[[0.1,2.7,3.4]

[5.0,0.5,4.6]

[4.3,8.5,0.2]]

[[3.2,5.7,3.4]

[5.4,6.4,3.2]

[4.1,3.5,6.2]]]

RGB图片

• 4-d
  
  
  [[[[…
  
  …
  
  …]]]
  
  一个RGB图片 批量（批量大小宽高*通道）
• 5-d
  
  

一个视频批量 （批量大小时间宽高通道 ）

1.2 创建数组

• 创建数组包含以下几个元素：
  
  形状：3*4矩阵
  
  元素类型：32位浮点数
  
  每个元素的值：全0 or 随机数
  
  
  
  
• 访问元素
  
  (1)一个元素：[1,2]
  
  
  (2)一行：[1,:]
  
  

(3)一列：[:,1]


(4)子区域:[1:3,1:] 1-3行不包括第3行,第一列至最后一列


(5)子区域:[::3,::2]选择隔开的元素


隔3行 隔两列选择元素

数据预处理

import torch
x = range(12)
x

输出：range(0, 12)
x = torch.arange(12)
x
输出：tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])

#张量的形状
x.shape

输出：torch.Size([12])

#元素的总数
x.numel()

输出：12

#改变张量的形状
x=x.reshape(3,4)
x

输出：tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])

#创建全0张量
torch.zeros((2,3,4))

输出：tensor([[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]],

[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]]])

#创建全1张量
torch.ones((2,3,4))

输出：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.]]])

#通过提供包含数值的Python列表来为所需张量中的每个元素赋予确定值
torch.tensor([[2,1,4,3],[1,2,3,4],[4,3,2,1]])

输出：tensor([[2, 1, 4, 3],
[1, 2, 3, 4],
[4, 3, 2, 1]])

#随机生成Tensor中每个元素的值，均值为0，标准差为1的正态分布
torch.randn((3,4))

输出：tensor([[-1.8565, -1.7512, 0.9520, 0.1393],
[ 1.1304, -0.6777, 0.0123, 0.5098],
[ 2.4997, -0.2599, -1.1707, 1.0745]])

#tensor运算
#1.加法
y = torch.ones((3,4))
x+y

输出:tensor([[ 1., 2., 3., 4.],
[ 5., 6., 7., 8.],
[ 9., 10., 11., 12.]])

x*y

输出：tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]])

x.float()/y.float()

输出：tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]])

torch.exp(x.float())

输出：tensor([[1.0000e+00, 2.7183e+00, 7.3891e+00, 2.0086e+01],
[5.4598e+01, 1.4841e+02, 4.0343e+02, 1.0966e+03],
[2.9810e+03, 8.1031e+03, 2.2026e+04, 5.9874e+04]])

#按维度拼接矩阵
torch.cat((x,y),0)

输出：tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]])

#0为纵向拼接，1为横向拼接
torch.cat((x,y),1)

输出：tensor([[ 0., 1., 2., 3., 1., 1., 1., 1.],
[ 4., 5., 6., 7., 1., 1., 1., 1.],
[ 8., 9., 10., 11., 1., 1., 1., 1.]])

#使用条件判别式可以得到元素为0或1的新的tensor
x==y

输出：tensor([[False, True, False, False],
[False, False, False, False],
[False, False, False, False]])

#tensor元素求和得到只有一个元素的tensor
torch.sum(x)

输出：tensor(66)

#通过item()函数将结果转变换为python中的标量
torch.sum(x).item()

输出：66

#两个形状不同的元素按元素运算可能会触发广播机制
A = torch.arange(0,3).view(3,1)
B = torch.arange(0,2).view(1,2)
A,B

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

#由于A，B分别是3行1列和1行2列的矩阵，如果要计算A+B，那么A中第一列的三个元素被广播到了第2列，B中第一行的2个元素呗广播到了第二行和第三行
A+B

输出：tensor([[0, 1],
[1, 2],
[2, 3]])

#索引 原则:左闭右开
x[1:3]

输出：tensor([[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])

#指定需要访问的单个元素的位置
x[1,2]= 9
x

输出：tensor([[ 0, 1, 2, 3],
[ 4, 5, 9, 7],
[ 8, 9, 10, 11]])

#截取部分元素
x[1:2,:]

输出：tensor([[4, 5, 9, 7]])

x[1:2,:] = 12
x

输出：tensor([[ 0, 1, 2, 3],
[12, 12, 12, 12],
[ 8, 9, 10, 11]])

#运算的内存开销
before = id(y) #通过判断id是否一致，那么它们所对应的内存地址相同，反之则不同
y = y + x
id(y) == before

输出：False

z = torch.zeros_like(y)
before = id(z)
z[:]= x+y
id(z) == before

输出：True

#避免临时内存开销，使用运算符全名函数中的out参数
torch.add(x,y,out=z)
id(z) == before

输出：True

#如果x的值在之后的程序中不会复用，我们也可以用x[:] = x+y或者x+=y来减少运算内存的开销
before = id(x)
x += y.int()
id(x)==before

输出：True

#tensor和numpy相互变换
import numpy as np
p = np.ones((2,3))
d = torch.from_numpy(p)
d

输出：tensor([[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)

d.numpy()

输出：array([[1., 1., 1.],
[1., 1., 1.]])

tensor是pytorch中存储和变换数据的主要工具

d = torch.from_numpy(p)
d

输出：tensor([[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)

我们可以通过numpy()和from_numpy()完成转换

d.numpy()

输出：array([[1., 1., 1.],
[1., 1., 1.]])

小结：tensor是pytorch中存储和变换数据的主要工具
可以轻松地对tensor创建、运算、指定索引，并与numpy之间相互变换