1、pytorch 张量与运算API

一、初识张量

1、概念

        Tensors，与numpy中的ndarray类似，但是在pytorch中，Tensors可以使用GPU进行计算。张量实际上就是一个多维数组，目的是能够创造更高维度的矩阵、向量。

张量维度	含义
0维	标量
1维	向量
2维	矩阵
3维	时间序列数据
4维	图像

2、创建张量

方法一：随机初始化矩阵

import torch

a = torch.rand(2,3)  
#创建一个[0,1)均匀取值的2×3张量

b = torch.randn(2,3) 
#创建一个以0为均值，1为方差的2×3张量

c = torch.randint(0,5,(5,))
#创建一个[0,5)范围整数随机取值的长度为5的一维张量

 方法二：构造特殊矩阵

import torch

a = torch.zeros((2,3))
b = torch.ones((2,3))
c = torch.eye(3)

d = torch.zeros_like(torch.rand(2,3))
e = torch.ones_like(torch.rand(2,3))

 

方法三： 直接创建

import torch

t = torch.tensor([[1,2],[3,4]],dtype = torch.float)

方法四：tensor与numpy互相转化

import torch
import numpy as np

arr1 = np.array([1,2,3], dtype=np.float32)
arr2 = np.array([4,5,6])
from_numpy1 = torch.from_numpy(arr1)
from_numpy2 = torch.from_numpy(arr2)
print("from_numpy1:",from_numpy1)
print("from_numpy2:",from_numpy2)

 

二、部分tensor运算常用API

1、torch.arange(start=0, end, step=1) 

 2、torch.cat(tensors, dim=0, *, out=None)     将张量拼接

 3、torch.chunk(input, chunks, dim=0)     

    dim=0时按行分块，dim=1时按列分块

 

 4、torch.gather(input, dim, index)

解析：dim 0代表按列索引，1代表按行索引

 5、torch.numel(input)

计算张量中共有多少元素

 6、torch.reshape(input, shape)

7、 torch.split(tensor, split_size_or_sections, dim=0) 

与chunk函数辨析：chunk只能将张量分为等大小的chunk，而split函数可以将张量分为任意大小

 8、torch.squeeze(input, dim=None)

       压缩维度

9、torch.take(input, index)   

    将input展开成一维向量并根据索引取数据

10、torch.tile(input, dims) 

 

解释：dims为（2，2）时，即将y的行元素复制两遍，列元素复制两遍，并保持数据维度不变。

11、 torch.transpose(input, dim0, dim1)        将input在两个维度上转置

12、 torch.unbind(input, dim=0)     

   按维度进行切片

13、 torch.where(condition, x, y)   

     与激活函数类似

解释：若不满足condition，用y的数据替换x的数据 

14、torch.normal(mean, std, size)

（1）、mean，std：张量（每个数据均值和标准差一一对应）

 （2）、mean：标量   std：张量（共享mean，数据个数与std个数保持一致）

 （3）、mean：张量   std：标量（共享std，数据个数与mean个数保持一致）

 （4）、mean，std：张量（数据个数由size决定）