动手深度学习-2.1 数据操作

深度学习使用的主要数据结构是张量， 其支持GPU加速和自动微分。本章介绍张量的操作如下：基本数学运算、广播机制、索引和切片、节省内存、转换其他Python对象。

2.1.1 入门

• 导入Torch库

import torch

• 使用torch.arange()创建一个行向量x，包含从0开始的12个整数。

x = torch.arange(12)
x

• 使用张量的shape属性访问张量的形状

x.shape

• 使用numel()函数获取张量中元素的总数

x.numel()

• 使用reshape()函数改变张量的形状

X = x.reshape(3, 4)
X

• 使用torch.zeros()函数创建指定形状的元素值都为0的张量

torch.zeros((2, 3, 4))

• 使用torch.randn()函数创建指定形状的元素值服从标准正态分布的张量

torch.randn(3, 4)

• 使用torch.tensor()函数根据指定列表创建张量

torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])

2.2.2 运算符

• 按元素运算(+、-、*、/、**、exp()等一元运算符)

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

torch.exp(x)

• 矩阵运算
• 使用torch.cat()将张量连接在一起

X = torch.arange(12, dtype = torch.float32).reshape((3, 4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
torch.cat((X, Y), dim = 0), torch.cat((X, Y), dim = 1)

• 使用逻辑运算符==构建二元张量

X == Y

• 使用sum()函数对张量中的所有元素进行求和

X.sum()

2.2.3 广播机制

使用广播机制在形状不同的两个张量上执行按元素操作

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

a + b

2.2.4 索引和切片

• 使用索引和切片读取张量中的元素

X[-1], X[1 : 3]

• 使用索引和切片写入张量中的元素

X[1, 2] = 9
X

2.2.5 节省内存

• 使用id()函数显示变量的确切地址

before = id(Y)
Y = X + Y
id(Y) = before

• 使用切片表示法[:]执行原地操作

Z = torch.zeros_like(Y)
print('id(Z)', id(Z))
Z[:] = X + Y
print('id(Z): ', id(Z))

• 使用X[:] = X + Y或X += Y来减少操作的内存开销

before = id(X)
X += Y
id(X) == before

2.2.6 转换为其他Python对象

• 使用numpy()函数将torch张量转换为numpy数组
• 使用torch.tensor()函数将numpy数组转换为torch张量

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

• 使用.item()函数将torch张量转换为python标量

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