PyTorch Note

PyTorch没有string对应的表示类型（内键支持），但对于文本类型的序列数据，可以用ont-hot 或者 embedding的方式来表示：

数据在CPU上和在GPU上的类型是不同的：

dimension为0 ：标量 -- 用来表示Loss

import torch

a = torch.ones(3)
print(a)  # tensor([1., 1., 1.])
print(a.size())  # torch.Size([3])
print(a.shape)  # torch.Size([3])
print(a.dim())  # 1 维度
print(a.type())  # torch.FloatTensor

print('-------------------------')
b = torch.tensor(666)
c = torch.tensor(6.66)
print(b.shape)  # torch.Size([])
print(len(b.shape))  # 0
print(b.size())  # torch.Size([])
print(b.dim())  # dimension 维度为0
print(b.type())  # torch.LongTensor
print(c.type())  # torch.FloatTensor
print(type(b))  # 

dimension 为1 ，1维张量，即向量

dimension 为2的张量——矩阵  可以用来作为batch size的输入

三维张量 -- RNN的输入size

维度为4的张量 -- CNN的输入格式 [batch, channel, height, weight]

创建Tensor

未初始化的tensor后面一定要跟上初试化的步骤，因为默认的随机初始化不定会赋什么值

Tensor类型取的是默认的类型，一般为FloatTensor

采用符合某种分布的随机初始化（而不是默认随机初始化）

正态分布

full

arange

linspace、logspace  等差数列 - 下图logspace的底数是10

索引与切片

注意：上面a.index_select()的第二个参数得是torch.tensor类型的数据，torch.arange(8) 意思是取前8个维度

Tensor维度变换

view、reshape  -- 重新调整shape，两者完全可以通用。为了与numpy一致，PyTorch0.4版本以后增加的reshape

squeeze -- 挤压、unsqueeze -- 扩展

Transpose、t、permute

expand、repeat

即满足 np.prod(a.size()) 和 np.prod(b.size()) 即可，这里的np.prod() 是numpy求乘积的方法。

真实例子：

expand / repeat

transpose 之后要使用.contiguous()使原变量变连续

广播 broadcasting  -- 类似于 先UNsqueeze 再expand