【pytorch深度学习】torch-张量Tensor

torch-张量Tensor

1. 张量Tensor

• torch.tensor()

# 创建一个标量（0维张量）
scalar_tensor = torch.tensor(3.14)
# 创建一个向量（1维张量）
vector_tensor = torch.tensor([1, 2, 3])
# 创建一个矩阵（2维张量）
matrix_tensor = torch.tensor([[1, 2], [3, 4]])
# 创建一个3维张量
tensor_3d = torch.tensor([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

• torch.zeros()-全零张量

zero_tensor = torch.zeros(3, 4)  # 3行4列的全零矩阵

• torch.ones()-全一张量

ones_tensor = torch.ones(2, 3)  # 2行3列的全一矩阵

• torch.full()-常数填充张量

constant_tensor = torch.full((2, 2), 7)  # 2行2列的常数填充矩阵，值为7

• torch.eye()-单位矩阵

identity_matrix = torch.eye(3)  # 3阶单位矩阵

• torch.arange()-等差数列张量

range_tensor = torch.arange(0, 10, 2)  # 从0开始，步长为2，直到小于10

• torch.rand()-随机张量

rand_tensor = torch.rand(2, 3)  # 2行3列的均匀分布随机矩阵

• torch.randn()-正态分布随机张量

randn_tensor = torch.randn(3, 3)  # 3行3列的正态分布随机矩阵

• size()-形状

x = torch.rand(2, 3)
print(x.size())  # 输出: torch.Size([2, 3])

• dtype-数据类型指定及获取

x = torch.rand(2, 3, dtype=torch.float)
print(x.dtype)  # 输出: torch.float32

• to()-GPU/CPU

if torch.cuda.is_available():
    device = torch.device("cuda")          # GPU 设备
else:
    device = torch.device("cpu")           # CPU 设备
x = x.to(device)

• randn_like()、zeros_like()、ones_like()-已知张量创建形状类似的张量

t = torch.randn(3,3)
t1 = torch.randn_like(t)

• 张量方法(它们有很多参数可选，要用再查)：

t = torch.rand(3, 4, 5)
t.nelement()  # 返回数量
t.size()  # 返回尺寸，元组
t.shape  # 返回形状，元组
t.size(2)  # 返回指定维度大小
t.view(12, 5)    
t.view(-1, 6).shape
t.view(-1, 6).transpose(1, 0).shape

• 索引和切片

张量的索引和切片和列表基本是一样的，有步长、起点、终点等。例如：

t[0,0,2]   t[:,1,1]   t>0   t[t > 0]

• 张量运算

# 加法运算
add_res = x + y  
# 减法运算  
sub_res = x - y  
# 乘法运算  
mul_res = x * y  
# 除法运算  
div_res = x / y  

# 加法运算
add_res = torch.add(x, y)
# 减法运算
sub_res = torch.subtract(x, y)
# 乘法运算
mul_res = torch.mul(x, y)
# 除法运算
div_res = torch.div(x, y)

• 转置：

x = torch.randn(3, 4)
y = x.transpose(0, 1)

下面是对张量操作的总结，不含代码，要用再查：

• 创建操作：用于构造张量的函数，如ones()和from_numpy()
• 修改操作：用于直接修改张量
• 索引、切片、连接、转换操作：用于改变张量的形状、步长或内容的函数
• 数学操作：通过运算操作张量内容的函数：
  • 逐点操作：通过对每个元素分别应用一个函数来得到一个新的张量，如abs()、cos()
  • 归约操作：通过迭代张量来计算聚合值的函数，如mean()
  • 比较操作：在张量上计算数字谓词的函数
  • 频谱操作：在频域上进行变换和操作的函数
  • 其他操作：作用于向量的特定函数，或对矩阵进行操作的函数
  • BLAS和LAPACK操作：符合基本线性代数子程序规范的函数，用于标量、向量—向量、矩阵—向量、矩阵—矩阵操作
• 随机采样：从概率分布中随机生成值的函数
• 序列化：保存和加载张量的函数
• 并行化：用于控制并行CPU执行的线程数的函数。

与·numpy的互操作：

# 从张量points得到一个numpy数组
points_np = points.numpy()

# 从numpy得到一个pytorch张量
points = torch.from_numpy(points_np)