Pytorch学习笔记

第一周学习笔记整理(1)

Lesson 1. 张量（Tensor）的创建和常用方法
一、张量（Tensor）的基本创建及其类型

// 
import torch #导入PyTorch包
import numpy as np
torch.__version__ #查看版本号

1.张量（Tensor）函数创建方法

// 张量（Tensor）函数创建方法
t = torch.tensor([1, 2]) # 通过列表创建张量
torch.tensor((1, 2)) # 通过元组创建张量
a = np.array((1, 2))
t1 = torch.tensor(a) # 通过数组创建张量
type(t) #查看张量的类型

2.PyTorch中Tensor类型

数据类型	dtype
32bit浮点数	torch.float32或torch.float
64bit浮点数	torch.float64或torch.double
16bit浮点数	torch.float16或torch.half
8bit无符号整数	torch.unit8
8bit有符号整数	torch.int8
16bit有符号整数	torch.int16或torch.short
16bit有符号整数	torch.int16或torch.short
32bit有符号整数	torch.int32或torch.int
64bit有符号整数	torch.int64或torch.long
布尔型	torch.bool
复数型	torch.complex64

dtype使用方法

// 张量（Tensor）函数创建方法
t.dtype #查看张量的类型
torch.tensor(np.array([1.1, 2.2])).dtype
torch.tensor([1.11, 2.2]).dtype
torch.tensor([1.1, 2.7], dtype = torch.int16)

3.张量类型的转化

// 张量类型的转化
t.float() # 转化为默认浮点型（32位）
t.double() # 转化为双精度浮点型
t.short() # 转化为16位整数

二、张量的维度与形变

// 张量的维度
t1 = torch.tensor([1, 2])
t1.ndim
t1.shape
t1.size()
len(t1) #返回拥有几个（N-1）维元素
t1.numel() #返回总共拥有几个数
#注：一维张量len和numel返回结果相同，但更高维度张量则不然
t2 = torch.tensor([[1, 2], [3, 4]])
len([[1, 2], [3, 4]])  #2
t2.numel() #4

// 张量的形变
t2 = torch.tensor([[1, 2], [3, 4]])
t2.flatten() #按行排列，拉平。
t2.reshape(1,4)
t2.reshape(1, 1, 4)
torch.zeros([2, 3])            # 创建全是0的，两行、三列的张量（矩阵）
torch.ones([2, 3])
torch.eye(5)
torch.diag(t1)
torch.rand(2, 3) #rand：服从0-1均匀分布的张量
torch.randn(2, 3) #randn：服从标准正态分布的张量
torch.normal(2, 3, size = (2, 2))            
# 均值为2，标准差为3的张量 normal：服从指定正态分布的张量
torch.randint(1, 10, [2, 4])                 
# 在1-10之间随机抽取整数，组成两行四列的矩阵
torch.arange(5) #arange/linspace：生成数列
torch.arange(1, 5, 0.5)  # 从1到5（左闭右开），每隔0.5取值一个
torch.linspace(1, 5, 3)   # 从1到5（左右都包含），等距取三个数
torch.empty(2, 3) #empty：生成未初始化的指定形状矩阵
torch.full([2, 4], 2)  #full：根据指定形状，填充指定数值
torch.full_like(t1, 2)  # 根据t1形状，填充数值2
torch.randint_like(t2, 1, 10) 
torch.zeros_like(t1)

// 张量（Tensor）和其他相关类型之间的转化方法
t1 = torch.arange(1,11)
t1.numpy()
np.array(t1)
t1.tolist()
list(t1)
torch.tensor(1).item()
t11 = t1     # t11是t1的浅拷贝  
t11 = t1.clone() #t11不随t1对象改变而改变，则需要对t11进行深拷贝