深度学习笔记之N维数组
数据操作
数据结构-N维数组
零维：就是一个数（类别）
一维：就是一个向量（特征向量）
二维：就是由多个向量组成的矩阵（特征矩阵）宽*高
三维：就是RGB图片 宽*高*通道（RGB三个通道）
四维：就是RGB图片的批量处理 宽*高*通道*批量大小
五维：就是视频的批量处理 宽*高*通道*批量大小*时间
数据的创建
数组的创建需要
①形状（几维，大小）
# 生成0-11
x = torch.arange(12)
print(x) # tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
#重构数组的维度
x = x.reshape(3, 4)
print(x) # tensor([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]])
# 创造数组eg.三维
p = torch.tensor([[[1, 2, 3], [2, 3, 4], [3, 4, 5]]])
print(p.shape) # torch.Size([1, 3, 3])
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]])
# 通过逻辑运算符构建二元表
print(X == Y)②每个元素的类型
# dtype=torch.float32指定生成为浮点数
X = torch.arange(12, dtype=torch.float32).reshape((3, 4))③每个元素的值
# 全赋值为0
y = torch.zeros(2, 3, 4)
print(y) #tensor([[[0., 0., 0., 0.],
# [0., 0., 0., 0.],
# [0., 0., 0., 0.]],
# [[0., 0., 0., 0.],
# [0., 0., 0., 0.],
# [0., 0., 0., 0.]]])
# 全赋值为1
z = torch.ones(2, 3, 4)
print(z) 访问元素
# 访问张量的形状和张量中的元素总数
print(x.shape) # torch.Size([12])
# 元素总数
print(x.numel()) # 12
m = torch.tensor([1.0, 2, 4, 8])
n = torch.tensor([2, 2, 2, 2])
# **求幂
print(m+n, m-n, m*n, m/n, m**n) #tensor([ 3., 4., 6., 10.])
#tensor([-1., 0., 2., 6.])
#tensor([ 2., 4., 8., 16.])
#tensor([0.5000, 1.0000, 2.0000, 4.0000])
#tensor([ 1., 4., 16., 64.])
# 把多个张量连接在一起,同一个形状时
# dtype=torch.float32指定生成为浮点数
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]])
print(X, Y)
print(torch.cat((X, Y), dim=0))
print(torch.cat((X, Y), dim=1))
# 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.]])
# 对张量中每一个元素进行求和 会产生只有一个元素的张量
print(X.sum()) #tensor(66.)
# 可以用[-1]选择最后一个元素，用[1：3]（左闭右开）选择第二个和第三个元素
print(X[-1], X[1:3]) #tensor([ 8., 9., 10., 11.])
#tensor([[ 4., 5., 6., 7.],
# [ 8., 9., 10., 11.]])
# 除了读取还可以通过指定索引来将元素写入矩阵
X[1, 2] = 9
print(X) # tensor([[ 0., 1., 2., 3.],
# [ 4., 5., 9., 7.],
# [ 8., 9., 10., 11.]])
# 多个元素赋相同值
X[0: 2, :] = 12
print(X) #tensor([[12., 12., 12., 12.],
# [12., 12., 12., 12.],
# [8., 9., 10., 11.]])
# 形状不同可以通过广播机制来执行按元素操作，维度不一样就不行了
# 采用的就是将小的扩大为大的一致
a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
print(a, b)
print(a+b) # tensor([[0], [1], [2]])
# tensor([[0, 1]])
# tensor([[0, 1], [1, 2], [2, 3]])
# 为新结果分配内存
before = id(Y)
# 此时的Y的内存已经重新分配
Y = Y + X
# 内存没有改变
Y += X
print(before == id(Y))
# 执行原地操作
Z = torch.zeros_like(Y)
print("id(Z)", id(Z))
Z[:] = Y+X
print("id(Z)", id(Z))转换成NumPy张量
A = X.numpy()
B = torch.tensor(A)
print(type(A), type(B)) #
a = torch.tensor([3.5])
# a.item()将a转换成numpy的浮点数
print(a, a.item(), float(a), int(a))
# tensor([3.5000]) 3.5 3.5 3