Pytorch中Tensor（张量）的入门使用

目标

1. 知道张量和Pytorch中的张量
2. 知道pytorch中如何创建张量
3. 知道pytorch中tensor的常见方法
4. 知道pytorch中tensor的数据类型
5. 知道pytorcht中如何实现tensor在cpu和cuda中转化

1. 张量Tensor

张量是一个统称，其中包含很多类型

1. 0阶张量：标量、常数，0-D Tensor
2. 1阶张量：向量，1-D Tensor
3. 1阶张量：矩阵，2-D Tensor
4. 3阶张量
   …

2. Pytorch中创建张量

1. 使用python中的列表或者序列创建tensor

torch.tensor([[1., -1.], [1., -1.]])

tensor([[ 1.0000, -1.0000], 
		[ 1.0000, -1.0000]])

2. 使用numpy中的数组创建tensor

torch.tensor(np.array([[1, 2, 3], [4, 5, 6]]))

tensor([[ 1, 2, 3], 
		[ 4, 5, 6]])

3. 使用torch的api创建
   (1) torch.empty([3,4])创建3行4列的空的tensor，会用无用数据进行填充
   
   (2) torch.ones([3,4])创建3行4列的全为1的tensor
   (3) torch.zeros([3,4])创建3行4列的全为0的tensor
   (4) torch.rand([3,4])创建3行4列的随机值的tensor，随机区间是[0,1)

(5) torch.randint(low=0,high=10,size=[3,4])创建3行4列的随机整数的tensor，随机区间是[low, high)

(6) torch.randn([3,4])创建3行4列的随机数的tensor，随机值的分布式均值为0，方差为1

3. Pytorch中tensor的常用方法

1. 获取tensor中的数据（当tensor中只有一个元素可用时）：tensor.item()

2. 转换为numpy数组

3. 获取形状：tensor.size()

注：这块也可以使用t2.shape不加括号，但是跟size相比不能像下面这样取某一维度的值

4. 形状改变：tensor.view((3,4))。类似numpy中的reshape，是一种浅拷贝(不会对原数据改变，会输出一个新值)，仅仅是形状发生改变，必须保证转换前后总的数据个数是一样的

这种方式本质上是将数据拉成一个长条，然后在按照shape分块

第一个（31行）-1表示有多少个数，直接就输出一个一维的tensor
第二个（32行）-1表示会自动适应前面那个数决定之后的维度

5. 获取维数（阶数）：tensor.dim()

6. 获取最大值：tensor.max()，最小值：tensor.min()，标准差：tensor.std()

7. 转置：

• 二维矩阵：tensor.t()，tensor.transpose(0,1)
• 高维：tensor.transpose(1，2)，tensor.permute(0,2,1)

8. tensor[1,3]获取tensor中第一行第三列的值
9. tensor[1,3]=100对tensor中第一行第三列的位置进行赋值100
   
10. tensor的切片

4. tensor的数据类型

tensor中的数据类型非常多，常见类型如下：

上图中的Tensor types表示这种type的tensor是其实例

1. 获取tensor的数据类型：tensor.dtype

2. 创建数据的时候指定类型

3. 类型的修改

5. tensor的其他操作

1. tensor和tensor相加

注意：带下划线的方法（比如：add_）会对tensor进行就地修改

2. tensor和数字操作

3. CUDA中的tensor
   CUDA（Compute Unified Device Architecture），是NVIDIA推出的运算平台。CUDA^TM 是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。

torch.cuda这个模块增加了对CUDA tensor的支持，能够在CPU和GPU上使用相同的方法操作tensor

通过.to方法能够把一个tensor转移到另外一个设备（比如从CPU到GPU）

通过前面的学习，可以发现torch的各种操作几乎和numpy一样

视频参考

Python人工智能就业班-4（人工智能） 6、7、（8）、9