第1周：Day 4-5 - 张量（Tensors）操作

第1周：Day 4-5 - 张量（Tensors）操作
在这两天里，我们将专注于学习和实践PyTorch和TensorFlow中的张量操作。张量是这两个框架中用于表示数据的基本单位，理解它们的操作对深度学习至关重要。

1.PyTorch张量操作
创建张量：

PyTorch中，你可以使用torch.tensor来创建张量。
示例代码：
import torch

x = torch.tensor([1, 2, 3])
y = torch.ones([2, 2])
z = torch.zeros([3, 3])

2.索引和切片：

张量的索引和切片与NumPy数组类似。
示例代码：

索引和切片：

张量的索引和切片与NumPy数组类似。
示例代码：
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(x[1, 2]) # 获取元素
print(x[:, 1]) # 切片

3.张量运算：

PyTorch提供了大量的张量操作函数。
示例代码：
x = torch.tensor([1, 2, 3])
y = torch.tensor([4, 5, 6])

相加

z = x + y
print(z)

乘法

z = x * y
print(z)

TensorFlow张量操作
1.TensorFlow张量操作

import tensorflow as tf

x = tf.constant([1, 2, 3])
y = tf.ones([2, 2])
z = tf.zeros([3, 3])

2.索引和切片：

TensorFlow张量的索引和切片操作也非常类似于NumPy。
示例代码：

索引和切片：

TensorFlow张量的索引和切片操作也非常类似于NumPy。
示例代码：

第1周：Day 4-5 - 张量（Tensors）操作
在这两天里，你将专注于学习和实践PyTorch和TensorFlow中的张量操作。张量是这两个框架中用于表示数据的基本单位，理解它们的操作对深度学习至关重要。

PyTorch张量操作
创建张量：

PyTorch中，你可以使用torch.tensor来创建张量。
示例代码：
python
Copy code
import torch

x = torch.tensor([1, 2, 3])
y = torch.ones([2, 2])
z = torch.zeros([3, 3])
索引和切片：

张量的索引和切片与NumPy数组类似。
示例代码：
python
Copy code
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(x[1, 2]) # 获取元素
print(x[:, 1]) # 切片
张量运算：

PyTorch提供了大量的张量操作函数。
示例代码：
python
Copy code
x = torch.tensor([1, 2, 3])
y = torch.tensor([4, 5, 6])

相加

z = x + y
print(z)

乘法

z = x * y
print(z)

TensorFlow张量操作

1.创建张量：
在TensorFlow中，我们可以使用tf.constant来创建张量。
示例代码：
python
Copy code
import tensorflow as tf

x = tf.constant([1, 2, 3])
y = tf.ones([2, 2])
z = tf.zeros([3, 3])
2.索引和切片：

TensorFlow张量的索引和切片操作也非常类似于NumPy。
示例代码：
python
Copy code
x = tf.constant([[1, 2, 3], [4, 5, 6]])
print(x[1, 2]) # 获取元素
print(x[:, 1]) # 切片

3.张量运算：

TensorFlow同样提供了丰富的张量操作函数。
示例代码：
x = tf.constant([1, 2, 3])
y = tf.constant([4, 5, 6])

相加

z = tf.add(x, y)
print(z)

乘法

z = tf.multiply(x, y)
print(z)

对比学习
在张量的创建方面，两者都提供了简洁的方法来创建不同类型的张量（如全1、全0张量等）。
张量的索引和切片操作在两者之间非常相似，如果你熟悉NumPy，那么这些操作会感觉很自然。
在张量运算方面，PyTorch倾向于使用操作符重载（如+，*），而TensorFlow则提供了专门的函数（如tf.add，tf.multiply），但两者在功能上是等价的。
通过掌握这些基础的张量操作，我们将能够更深入地理解和使用PyTorch和TensorFlow进行更复杂的深度学习模型构建。记得多实践，因为实践是学习编程的最好方法。