pytorch总结学习系列-数据操作
在深度学习中，我们通常会频繁地对数据进⾏行行操作。作为动⼿手学深度学习的基础，本节将介绍如何对内
存中的数据进⾏行行操作。
在PyTorch中， torch.Tensor 是存储和变换数据的主要⼯工具。如果你之前⽤用过NumPy，你会发现
Tensor 和NumPy的多维数组⾮非常类似。然⽽， Tensor 提供GPU计算和⾃自动求梯度等更更多功能，这
些使 Tensor 更更加适合深度学习。
tensor 是张量的意思，多维张量是一个多维数组，标量是0维张量，向量就是一个1维张量，矩阵就是二维张量。
创建 TENSOR
首先导入PyTorch：
import torch
然后我们创建一个5x3的未初始化的 Tensor ：
x = torch.empty(5, 3)
print(x)
输出：
tensor([[ 0.0000e+00, 1.5846e+29, 0.0000e+00],
[ 1.5846e+29, 5.6052e-45, 0.0000e+00],
[ 0.0000e+00, 0.0000e+00, 0.0000e+00],
[ 0.0000e+00, 0.0000e+00, 0.0000e+00],
[ 0.0000e+00, 1.5846e+29, -2.4336e+02]])
创建⼀一个5x3的随机初始化的 Tensor :
输出：
tensor([[0.4963, 0.7682, 0.0885],
[0.1320, 0.3074, 0.6341],
[0.4901, 0.8964, 0.4556],
[0.6323, 0.3489, 0.4017],
[0.0223, 0.1689, 0.2939]])
创建⼀一个5x3的long型全0的 Tensor :
x = torch.zeros(5, 3, dtype=torch.long)
print(x)
输出：
tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
直接根据数据创建:
x = torch.tensor([5.5, 3])
print(x)
输出：
tensor([5.5000, 3.0000])
还可以通过现有的 Tensor 来创建，此⽅方法会默认重⽤用输⼊入 Tensor 的⼀一些属性，例例如数据类型，除⾮非
⾃自定义数据类型。
x = x.new_ones(5, 3, dtype=torch.float64) # 返回的tensor默认具有相同的
torch.dtype和torch.device
print(x)
x = torch.randn_like(x, dtype=torch.float) # 指定新的数据类型
print(x)
输出：
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
tensor([[ 0.6035, 0.8110, -0.0451],
[ 0.8797, 1.0482, -0.0445],
[-0.7229, 2.8663, -0.5655],
[ 0.1604, -0.0254, 1.0739],
[ 2.2628, -0.9175, -0.2251]])
通过 shape 或者 size() 来获取 Tensor 的形状:
print(x.size())
print(x.shape)
输出：
torch.Size([5, 3])
torch.Size([5, 3])
注意：返回的torch.Size其实就是⼀一个tuple, ⽀支持所有tuple的操作。
很多函数可以创建 Tensor ，去翻翻官⽅https://pytorch.org/docs/1.2.0/torch.htmlAPI就知道了了，下表给了了⼀一些常⽤用的作参考。
这些创建⽅方法都可以在创建的时候指定数据类型dtype和存放device(cpu/gpu)。