pytorch入门（二）：numpy与pytorch（续）

14、分点

用linspace建立分点

a = np.linspace(0, 5, 6)
print(a)
b = torch.linspace(0, 5, 6)
print(b)

结果

[0. 1. 2. 3. 4. 5.]
tensor([0., 1., 2., 3., 4., 5.])

15、单值

用unique消除重复元素

np.unique([1,2,1,3])
torch.unique(torch.Tensor([1,2,1,3]))

结果

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

16、切片

冒号表达式做下标

a = np.array([1,2,3,4,5,6])
b = torch.tensor([1,2,3,4,5,6])
print(a[1:3])
print(b[1:3])

结果

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

17、过滤

用逻辑下标筛选元素

a = np.array([1,2,3,4,5,6])
b = torch.tensor([1,2,3,4,5,6])
print(a[a > 2])
print(b[b > 2])

结果

[3 4 5 6]
tensor([3, 4, 5, 6])

18、下标

满足条件的元素下标

a = np.array([11,12,13,14,15])
b = torch.tensor([11,12,13,14,15])
print(np.where(a > 13))
print(torch.where(b > 13))

结果

(array([3, 4], dtype=int64),)
(tensor([3, 4]),)

19、转置

代码

a = np.array([[1,2],
              [3,4]])
b = torch.tensor([[1,2],
                  [3,4]])
print(a.T)
print(b.T)

结果

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

20、排序

代码

a = np.array([2,4,3,5,1])
b = torch.Tensor([2,4,3,5,1])
print(a)
print(b)

结果

[2 4 3 5 1]
tensor([2., 4., 3., 5., 1.])

21、量词

全称量词all、存在量词any

a = np.array([1,2,3,4,5])
b = torch.tensor([1,2,3,4,5])
print(a>2)
print(b>2)
print((a>2).all())
print((b>2).all())

结果

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

22、元素类型

调用构造函数tensor，可指定元素类型，而且不允许修改

a = np.array([1,2,3,4,5],dtype=np.int8)
print(a)
b = torch.tensor([1,2,3,4,5],dtype=torch.int8)
print(b)

结果

[1 2 3 4 5]
tensor([1, 2, 3, 4, 5], dtype=torch.int8)

23、维度

查看数据维度

a = np.arange(24).reshape(2,3,4)
print(a.ndim)
b = torch.arange(24).reshape(2,3,4)
print(b.ndim)

结果

3
3

24、改变元素类型

不要直接修改numpy数组的dtype，而要使用astype

a = np.array([1,2,3,4,5,6,7,8],dtype=np.int8)
print(a.astype(float))
a.dtype = np.float
print(a) 
b = torch.tensor([1,2,3,4,5,6],dtype=torch.int8)
print(b.float())

结果

[1. 2. 3. 4. 5. 6. 7. 8.]
[5.44760372e-270]
tensor([1., 2., 3., 4., 5., 6., 7., 8.])

25、全1

类似有zeros

a = np.ones((2,2))
b = torch.ones((2,2))
print(a)
print(b)

结果

[[1. 1.]
 [1. 1.]]
tensor([[1., 1.],
        [1., 1.]])

26、同形

建立相同形状的数据对象，默认元素类型不同

c = np.array([[0,1,2],[3,4,5]])
a = np.empty_like(c)
print(a)
print(a.dtype)
c = torch.Tensor([[0,1,2],[3,4,5]])
b = torch.empty_like(c)
print(b)
print(b.dtype)

结果

[[1 2 3]
 [4 5 6]]
int32
tensor([[0, 0, 0],
        [0, 0, 0]], dtype=torch.int32)
torch.int32

前一部分见 《pytorch入门（一）：numpy与pytorch》