pytorch入门基础（一）背景和tensor用法
pytorch入门基础（一）背景和tensor用法
一.背景
人工智能、机器学习、神经网络、深度学习之间的关系为：
其中机器学习又细分为：
一些常用的深度学习框架：
二.pytorch及tensor
1.pytorch：
pytorch是一个开源的python机器学习库，基于torch，用于自然语言处理，计算机视觉等应用程序。它的好处在于它是相当简洁且高效快速的框架，入门简单；可以在运行时构建计算图，甚至在运行时更改他们；多gpu支持，自定义数据加载器和简化的预处理器。
2.tensor：
tensor张量
scalar（标量）：一个数值
vector（向量）：一维数组
matrix（矩阵）：二维数组
tensor（张量）：大于二维的数组，即多维数组
以下介绍一些用法：
- 验证变量是否为tensor
x = [2,9,5,16,23,35]
b = torch.is_tensor(x)
y = torch.rand(1,2)
print(b) # False
print(y) # tensor([[0.6934, 0.4522]])
print(torch.is_tensor(y)) # True
- 基本语法
torch.numel(y) # 统计tensor中元素个数
torch.zeros(3,3) # 创建全0的tensor
torch.eye(3,3) # 创建对角线为1的tensor
torch.rand(10) # 创建均匀分布，10个数都在0-1之间，输出为tensor格式
torch.randn(10) # 创建正态分布，均值为0，方差为1，输出为tensor格式
torch.randperm(10) # 将0-9共10个数字随机打乱，然后以tensor形式输出
torch.randint(1,99,(3,3)) # 在1-99之间随机选取整数，组成3*3的tensor
torch.arange(10,30,5) # 从10到30，以5分割取值，不包括30,tensor([10，15，20,25]
- 将numpy转换为tensor
x = np.array([3,4,5,6,7])
print(torch.from_numpy(x)) # tensor([3, 4, 5, 6, 7], dtype=torch.int32)
- 切分
# 2-10切成10，2和10分别作为第一个和最后一个数字,包含10
print(torch.linspace(2,10,steps=10)) # tensor([2.0000,2.8889,3.7778,4.6667,5.5556,6.4444,7.3333,8.2222,9.1111,10.0000])
- 获取行或列的最小值和最大值的索引
# 注意dim=0表示列，dim=1表示行
x = torch.randint(1,99,(3,3))
print(x) # tensor([[98, 37, 23],
# [61, 35, 20],
# [14, 64, 94]])
print(torch.argmin(x,dim=0)) # 每列最小的索引tensor([2, 1, 1])
print(torch.argmax(x,dim=0)) # 每列最大的索引tensor([0, 2, 2])
- 连接
x = torch.randint(1,9,(2,3))
print(torch.cat((x,x))) # tensor([[6, 8, 8],
# [6, 1, 5],
# [6, 8, 8],
# [6, 1, 5]])
print(torch.cat((x,x),dim=1)) # tensor([[6, 8, 8, 6, 8, 8],
# [6, 1, 5, 6, 1, 5]])
- chunk切块
torch.chunk(a,2,0) # 横向索引切片
torch.chunk(a,2,1) # 纵向索引切片
- index_select根据索引选择
- 分割
x = torch.tensor([1,2,3,4,5,6,7])
print(torch.split(x,3)) # (tensor([1, 2, 3]), tensor([4, 5, 6]), tensor([7]))
- 转置 x.t()
- tensor加法和乘法
