01Pytorch基础 tensor的创建和数据类型
Pytorch基础
01Pytorch基础 tensor的创建和数据类型
1. tensor(张量)是什么
各种类型的数值数据
- 0阶张量:标量、常数 scaler
- 1阶张量:向量vector
- 2阶张量:矩阵matrix
2.tensor的创建方法
.tensor()
.empty()
.ones()
.zeros()
.rand()
.randint()
.randn()
.ones_like()
# 张量的创建
import torch
t0 = torch.tensor(3)
print(t0, t0.shape, t0.size())
# tensor(3) torch.Size([]) torch.Size([])
t1 = torch.tensor([1, 2, 3, 4])
print(t1, t1.shape, t1.size())
# tensor([1, 2, 3, 4]) torch.Size([4]) torch.Size([4])
t2 = torch.tensor([[1, 2], [2, 3]], dtype=torch.double)
print(t2, t2.shape, t2.size())
"""
tensor([[1, 2],
[2, 3]]) torch.Size([2, 2]) torch.Size([2, 2])
"""
t3 = torch.empty([3, 4]) # 生产随机的3行4列的张量
print(t3)
t4 = torch.ones(3, 4) # 创建一个3行4列值全为1的tensor
print(t4)
t5 = torch.ones_like(t3) # tensor转换成与t3类型相同值全为1的tensor
print(t5)
print(torch.rand(3, 4)) # 随机区间 [0, 1)
print(torch.randint(low=10, high=20, size=[3, 4])) # 随机[10,20)，【3,4】 整数
print(torch.randn(3, 4)) # 符合正态分布的
3.tensor的数据类型
取tensor的类型 t1.dtype
- torch.float == torch.float32
- torch. double == torch.float64
- torch.long == torch.int64
- torch.int =- torch.int32
- torch.uint8
# 数据类型
print("""-------------------数据类型---------------------""")
# t1.dtype # 获取tensor的类型
print(t1.dtype)
# dtype 创建的时候指定类型
# torch.float torch.float32
# torch.double torch.float64
# torch.long torch.int64
# torch.int torch.int32
# torch.uint8
# 使用封装好的函数来创建
# torch.Tensor()
t5 = torch.FloatTensor([3, 4]) # 利用float对象来创建, 直接转换tensor([3., 4.]) torch.float32
print(t5, t5.dtype)
t6 = torch.DoubleTensor(3, 4) # 转成3，行4列的
print(t6)
# torch.DoubleTensor()
# torch.IntTensor()
# 类型的转换
print("类型的转换")
print(t6.long(), t6.long().dtype) # t6.long() 数值转换， t6.long().dtype类型转换
4.张量的方法和属性
import torch
# 张量的方法和属性
print("----------------张量的方法和属性--------------")
# t1.shape t1.size() t1.size(0)
t1 = torch.ones(3, 4)
print(t1.shape, t1.size()) # 取出tensor的形状 torch.Size([3, 4]) torch.Size([3, 4])
print(t1.shape[0], t1.size(0)) # t6.size(0)==t6.size(0)
print(t1.dtype) # torch.float32
print(t1.int())
print(t1.int().dtype)
# 取值
t2 = torch.tensor([[[[[[[[[[[[[[[10121]]]]]]]]]]]]]]])
print(t2)
print(t2.item()) # 取值 item()里面只能是一个值
t3 = torch.tensor([[[[100, 200]]]])
# print(t3.item()) 报错
print(t3[0][0][0][0].numpy())
print(t3[0][0][0].numpy(), type(t3[0][0][0].numpy())) # 利用numpy去转换
# t1.view() 改变形状
t4 = torch.rand(3, 4, 2) # 随机区间 [0, 1) 3 * 4 * 2
print(t4)
print(t4.view(-1)) # 拍平成一维
print(t4.view(-1, 2)) # 表示转化成n* 2的矩阵
print(t4.view(6, -1)) # 表示转化成n* 2的矩阵
# 获取阶数
print(t4.dim())
print(t4.size())
t5 = torch.tensor([
[[1, 2], [3, 4]],
[[6, 7], [8, 9]],
[[10, 11], [12, 13]]
])
print(t5.size()) # torch.Size([3, 2, 2]) 3行2列每一行2个值
"""
dim shape
0 3
1 2
2 2
"""
print(t5.max(dim=0))
"""
values=tensor([[10, 11],
[12, 13]]),
indices=tensor([[2, 2],
[2, 2]]))
"""
print("=================")
print(t5.max(dim=1))
"""
values=tensor([[ 3, 4],
[ 8, 9],
[12, 13]]),
indices=tensor([[1, 1],
[1, 1],
[1, 1]]))
"""
print(t5.max(dim=2))
"""
values=tensor([[ 2, 4],
[ 7, 9],
[11, 13]]),
indices=tensor([[1, 1],
[1, 1],
[1, 1]]))
"""
"""
torch.max()主要找出某个维度的最大值，当dim=0时，表示分别找出第0维对应位置的最大值，
即比较
x[0][0][0]、x[1][0][0]、x[2][0][0]；
x[0][0][1]、x[1][0][1]、x[2][0][1]；
x[0][1][0]、x[1][1][0]、x[2][1][0]；
x[0][1][1]、x[1][1][1]、x[2][1][1]。
然后得到4个值，a表示每个位置上返回的最大值为多少，
b表示该最大值在第0维上的位置。
"""
value, index = t5.max(dim=-1)
# value, index = t5.min(dim=-1)
print(value, index)
t6 = torch.tensor([1, 2, 3, 4, 5])
mean = t6.float().mean() # 对所以的数字求平均值
std = t6.float().std() # 对所以的数字求标准差
print(mean, std)
# 下划线的方法 t1.sub_()
t7 = torch.tensor([1, 2, 3])
print(t7.add_(1)) # 不用赋值 t1=t1+1
# 轴交换
t8 = torch.randn(3, 4, 2)
print(t8.size())
t8.permute(4, 3, 2)
print(t8.size()) # 轴交换，换了轴但是维度没有改变。而view()是将数据拍平在改形状。
# t8.view()
我的博客：http://www.lls603.cn/
微信公众号：
B站：https://space.bilibili.com/430651363
