pytorch基础

---

1.torch的range和arange

代码如下（示例）：

>>> y=torch.range(1,6)
>>> y
tensor([1., 2., 3., 4., 5., 6.])
>>> y.dtype
torch.float32

>>> z=torch.arange(1,6)
>>> z
tensor([1, 2, 3, 4, 5])
>>> z.dtype
torch.int64

总结：
torch.range(start=1, end=6) 的结果是会包含end的，
而torch.arange(start=1, end=6)的结果并不包含end。
两者创建的tensor的类型也不一样。

2.torch.cat()

代码如下（示例）：

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) # 按行合并
torch.cat((X, Y), dim=1) # 按列合并

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

3.torch.normal()、torch.rand() 和 torch.randn()

1.torch.normal()

normal(mean, std, *, generator=None, out=None)
# 该函数返回从单独的正态分布中提取的随机数的张量，该正态分布的均值是mean，标准差是std。
# 用法一：
# 我们从一个标准正态分布N～(0,1)，提取一个2x2的矩阵
torch.normal(mean=0.,std=1.,size=(2,2))

# 情况二：
# 我们也可以让每一个值服从不同的正态分布，我们还是生成2x2的矩阵：
torch.normal(mean=torch.arange(4.),std=torch.arange(1.,0.6,-0.1)).reshape(2,2)

2.torch.rand(*sizes, out=None)
  torch.randn(*sizes, out=None)

# rand是随机生成服从均匀分布的数据，返回值为张量。
# randn是随机生成服从正态分布的数据，返回值为张量。
import torch
x = torch.randn(5, 5)
print(x)
x = torch.rand(5, 5)
print(x)
# 结果：
tensor([[-1.2067e+00, -1.7496e-01, -8.8117e-01,  1.6632e-01,  6.3906e-01],
        [ 3.7858e-02,  2.8564e-02, -3.1674e-02, -2.3180e+00,  1.5624e+00],
        [ 1.8508e+00, -2.8605e-01, -1.0858e+00, -1.6341e-02, -9.7166e-01],
        [-1.2331e+00,  6.5460e-01, -3.2398e-01, -6.5933e-01, -8.2312e-01],
        [-9.6841e-02, -1.1673e+00, -1.8217e-03, -1.4767e+00, -2.0411e-02]])
tensor([[0.5935, 0.0334, 0.3593, 0.0768, 0.8266],
        [0.1705, 0.0965, 0.9235, 0.5899, 0.5111],
        [0.0445, 0.2402, 0.0333, 0.9654, 0.4318],
        [0.1791, 0.1183, 0.1795, 0.4961, 0.5653],
        [0.7089, 0.5844, 0.2965, 0.2817, 0.1237]])

4.pytorch中的numel函数

# 获取tensor中一共包含多少个元素
import torch
x = torch.randn(3,3)
print("number elements of x is ",x.numel())
y = torch.randn(3,10,5)
print("number elements of y is ",y.numel())
# 结果：
number elements of x is  9
number elements of y is  150

5.torch.mul()、torch.mm()、torch.dot()、torch.mv()和torch.matmul()

1. torch.mul()是矩阵的点乘，即对应的位相乘，要求shape一样, 返回的还是个矩阵
2. torch.mm()是矩阵正常的矩阵相乘，（a, b）* ( b, c ) = ( a, c )
3. torch.dot()类似于mul()，它是向量(即只能是一维的张量)的对应位相乘再求和，返回一个tensor数值
4. torch.mv()是矩阵和向量相乘，类似于torch.mm()

import torch
A = torch.tensor([[1,2,3],
                   [4,5,6]])
x = torch.tensor([1,2,3])
torch.mv(A, x) # 第一个参数是矩阵，第二个参数只能是一维向量 

输出：tensor([14, 32])

5. torch.matmul()有两种情况：
   5.1 对于维数相同的张量
   A.shape =（b,m,n)；B.shape = (b,n,k)
   numpy.matmul(A,B) 结果shape为(b,m,k)
   要求第一维度相同，后两个维度能满足矩阵相乘条件。
   5.2 对于维数不一样的张量
   比如 A.shape =（m,n)； B.shape = (b,n,k)； C.shape=(k,l)
   numpy.matmul(A,B) 结果shape为(b,m,k)
   numpy.matmul(B,C) 结果shape为(b,n,l)
   2D张量要和3D张量的后两个维度满足矩阵相乘条件。

6.iter()、next()、enumerate()

添加链接描述