tensor

 特点

曾经的优点是动态图，但现在差不多都是动态图了，现在的优点是开源代码和开源社区。

tensor的属性

import torch
a = torch.tensor([1,2,3],dtype=int)
print(a)
# 查看a的数据类型
print(a.dtype)
b = torch.tensor([4,5,6],dtype=float)
print(b)
c = torch.tensor([[1,2,3],
                       [4,5,6]])
# 查看tensor的数据维度
print(c.ndim)
# 查看数据的形状
print(c.shape)
# 也可以这样查看数据的形状
print(c.size())

输出结果为：

其中

tensor()是torch中的类

c是实例化的类得到的一个对象

ndim、shape是对象c的一个属性

而size()是对象c的一个方法，方法是要带括号的

在vscode里面属性和方法的图标也是不一样的

 数据生成

import torch
# 定义一个两行三列的全为1的矩阵
a1 = torch.ones(2,3)
print(a1)
# 定义一个三行三列的全为0的矩阵
b0 = torch.zeros(3,3)
print(b0)
# 生成随机数，里面的参数依然是形状
sj = torch.rand(3,4)
print(sj)
# 生成一个两行三列的0到10之间的随机整数的矩阵
sjzs = torch.randint(0,10,(2,3))
print(sjzs)
# 生成一个三行四列的标准正态分布的随机数的矩阵
sjzt = torch.randn(3,4)
print(sjzt)
a = torch.tensor([[1,2],
                  [3,4],
                  [5,6]])
# 生成一个和a形状一样的随机矩阵
b = torch.rand_like(a,dtype=float)
print(b)
# 修改数据的形状，view相当于reshape
c = b.view(6)
print(c)
d = b.reshape(2,3)
print(d)
print(c[0])
# 可见c[0]的数据类型为tensor，将其转换为python标准的数值
s = c[0].item()
print(s)
# .item()只能修改一个值，不能c.item()，否则会报错。
# 如果想整个转换，需要用numpy，转换为array
import numpy as np
e = np.array(c)
print(e)
# 将array再转会tensor
f = torch.tensor(e)
print(f)

运行结果为：

 基本运算操作

import torch
a = torch.randint(1,5,(2,3))
b = torch.randint(1,5,(2,3))
print(a)
print(b)
# 相加，两个效果是一样的。
print(a+b)
print(torch.add(a,b))
jh = torch.zeros(2,3)
# 把相加结果输出给jh
torch.add(a,b,out=jh)
print(jh)
# a = a + b
a.add_(b)
# 注意，任何使张量(tensor)发生变化的操作都有一个前缀‘_’，例如：加法：a.add_()、减法：b.sub_()
print(a-b)  #减法
print(a*b)  #乘法
print(a/b)  #除法
print(a%b)  #取余
print(a//b)  #取整
c = torch.ones(3,4)
# 矩阵乘法,直接相乘会报错，因为两个矩阵的数据类型不一样，所以要转换一下。
a = a.float()
xc = torch.matmul(a,c)
print(xc)
# 矩阵的转置
print(xc.T)

运行结果为：

import torch
a = torch.rand(2,3)
print(a)
print(torch.sum(a)) # 求和
print(torch.min(a)) # 求最小值
print(torch.max(a)) # 求最大值
print(torch.argmax(a)) # 求最大值的索引位置
print(torch.argmin(a)) # 求最小值的索引位置
print(torch.mean(a)) # 求平均值
print(torch.median(a)) # 求中值，先排序，取中间
print(torch.sqrt(a)) # 求开方
print(a**2) # 求平方，3次方就是双乘3

运行结果为：