【机器学习->预处理】torch.tensor基础操作:初始化、索引、转换为ndarray

torch.tensor基础操作

概念解释

  • 张量:是一个数学概念,在使用上相当于计算机的多维数组
  • 标量:一个数值,比如1

初始化与查看属性

import torch

# 生成数组
x = torch.arange(12)
# tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

# 查看维度
x.shape
# torch.Size([12])

# 查看number of element(元素的总数)
x.numel()
# 12

# 改变张量的形状
X = x.reshape(3,4)
"""
tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])
"""

# 生成全0、全1、自己设定、随机的数字。需要自定维度
torch.zeros((2, 3, 4))
torch.ones((2, 3, 4))
torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]]) # 维度为[3,4]
torch.randn(3, 4) # 随机数

对tensor操作

# tensor的加减乘除
x = torch.tensor([1.0, 2, 4, 8]) # 1.0为浮点数
y = torch.tensor([2, 2, 2, 2])
x + y, x - y, x * y, x / y, x ** y # 加减乘除
"""
(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.]))
"""

# 按元素做指数运算
torch.exp(x) # 做指数运算
# tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])

# 连结(concatenate)张量
X = torch.arange(12, dtype=torch.float32).reshape((3,4)) # 指定类型为float32
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
torch.cat((X, Y), dim=0), torch.cat((X, Y), dim=1) # dim=0为按行合并(向下),dim=1为按列合并(向右)
"""
(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.]]))
"""

# 判断张量是否相等
X == Y
"""
tensor([[False,  True, False,  True],
        [False, False, False, False],
        [False, False, False, False]])
"""

# 求和,获得单元素张量
X.sum()
# tensor(66.)

索引-取/赋值

# 获得行、列元素
X[-1], X[1:3] # -1获得最后一行,[1:3]获得第1、2行
"""
(tensor([ 8.,  9., 10., 11.]),
 tensor([[ 4.,  5.,  6.,  7.],
         [ 8.,  9., 10., 11.]]))
"""

# 赋值
X[1, 2] = 9
X[0:2, :] = 12 # 对第0、1行的所有列赋值为12

广播机制

# 广播机制
a = torch.arange(3).reshape((3, 1)) # 张量=数组,在数学上不一样
b = torch.arange(2).reshape((1, 2))
"""
(tensor([[0],
         [1],
         [2]]),
 tensor([[0, 1]]))
"""

"""
a的维度变成(3,1->2),b的维度变成(1->3,2)
00   01   01
11 + 01 = 12
22   01   23
"""
a + b
"""
tensor([[0, 1],
        [1, 2],
        [2, 3]])
"""

原地操作

before = id(Y)
Y = Y + X
id(Y) == before
# False。因为Y被新分配了内存

before = id(X)
X += Y # 这样操作没有分配新内存
id(X) == before
# True

转换为ndarray

A = X.numpy() # tensor->ndarray
B = torch.tensor(A) # ndarray->tensor
type(A), type(B)
# (numpy.ndarray, torch.Tensor)

# # tensor的标量获得值
a = torch.tensor([3.5])
a, a.item(), float(a), int(a)
# (tensor([3.5000]), 3.5, 3.5, 3)

参考文献

  1. 《动手学深度学习》

你可能感兴趣的:(#,机器学习实践,深度学习,pytorch,python)