pytorch张量操作

张量的数据类型

数据类型	CPU tensor	GPU tensor
32位浮点型	torch.FloatTensor	/.cuda./
64位浮点型	torch.DoubleTensor	/.cuda./
16位浮点型	torch.HalfTensor	/.cuda./
8位无符号整型	torch.ByteTensor	/.cuda./
8位有符号整型	torch.CharTensor	/.cuda./
16位有符号整型	torch.ShortTensor	/.cuda./
32位有符号整型	torch.IntTensor	/.cuda./
64位有符号整型	torch.LongTensor	/.cuda./

1. torch中默认的数据类型是32位浮点型，可以通过**torch.set_default_tensor_type()**函数设置默认的数据类型

张量的生成

torch.tensor()

一般将python的列表转换为张量的时候，用小写的tensor这个函数。其中.size()可以看张量的尺寸, .numel()可以看元素个数， .requires_grad指定张量是否需要计算梯度

torch.Tensor()

创建一个2×3的张量。torch.Tensor(2,3)

torch.ones_like()/torch.zeros_like()

创建一个和指定张量维度一样的全一或者全零张量

张量和numpy数据的相互转换

将numpy数组转化为Pytorch张量，可以使用torch.as_tensor()函数和torch.from_numpy()函数。
.numpy()函数即可转化为numpy数组。

随机数生成张量

1. 随机数种子函数：torch.manual_seed()
2. 正态分布函数：torch.normal(mean = , std = )
3. 在[0, 1]区间上生成均匀分布的张量：torch.rand() 括号里直接跟尺寸就行，不用再加括号
4. 生成0~n的随机整数。打乱序列：torch.randperm(n)
5. torch.arange(start = ，end = ，step = ）
6. 生成固定数量的等间隔张量：torch.linspace(start = ，end = ，step = )
7. 全零/全一/单位/填充/空张量：torch.zeros(), torch.ones(), torch.eye(), torch.full((),fill_value =), torch.empty

张量的操作

torch.reshape

改变输入张量的形状

torch.unsqueeze()

在张量的指定维度插入新的维度得到维度提升的张量。
B = torch.unsqueeze(A,dim = )

torch.squeeze()

可以移除指定或者所有维度大小为1的维度，从而得到维度减小的张量
B = torch.squeeze(A,dim = )

.expend()/.expend_as()

对张量的维度进行拓展，从而对张量的形状大小进行修改。例如A是一个2×3的张量，A.expand(3,-1)就把A变成一个每一个元素位置都是一个2×3的张量合起来是一个6×3的张量。.expand_as()就是按某个张量的尺寸进行扩展。

.repeat()

根据指定的形状进行重复填充，得到新的张量。

拼接与拆分

拼接的两种方式，.cat()函数和.stack()函数
.cat()函数可以将多个张量在指定的维度进行拼接，拼接之后维度不会增加。
.stack()函数也可以将多个张量在指定的维度进行拼接，拼接之后维度会增加。
np.vstack() 按垂直方向（行顺序）堆叠数组构成一个新的数组（1，3） （1，3）->（2，3）
np.hstack() 按水平方向（列顺序）堆叠数组构成一个新的数组（1，3） （1，3）->（1，6）

拆分的两种方式，chunk()函数和.split()函数
.chunk()函数可以将张量分割成特定数量的块。
.split()函数可以将张量分成特定数量的块的同时指定每个块的大小。D1, D2, D3 = torch.split(D, [1,2,3],dim=1)

张量的计算

1. torch.equal() 判断两个张量是否具有相同的形状和元素
2. torch.t()计算矩阵的转置
3. torch.matmul() 输出两个矩阵的乘积
4. torch.inverse()计算矩阵的逆
5. torch.trace() 计算矩阵的迹
6. torch.max()/torch.argmax()/torch.min()/torch.argmin() 计算最大值/最大值位置/最小值/最小值位置
7. torch.sort()默认为升序排列，在输出结果的同时还会输出对应值在原始位置的索引。descending=True，设置为降序排列
8. torch.topk()计算张量中取值大小排前k的数值和数值位置
9. torch.kthvalue() 计算张量中取值大小为第k小的数值和数值位置
10. torch.mean() 根据指定的维度计算均值
11. torch.sum() 根据指定的维度求和
12. torch.cumsum() 根据指定的维度计算累加和
13. torch.median() 根据指定的维度计算中位数
14. torch.cumprod() 根据指定的维度计算累乘积
15. torch.std() 根据指定的维度计算标准差