【pytorch学习笔记】Tensor

板块目的：

系统整理Pytorch学习过程，只记录干货

tensor

Tensor和ndarrays类似，两者通常可以共享相同底层内存，从而无需复制数据。

import torch
import numpy as np

tensor初始化

import torch
import numpy as np

## 初始化张量

# 直接从数据
data = [[1,2], [3,4]]
x_data = torch.tensor(data)

# numpy 转torch
np_array = np.array(data)
x_np = torch.from_numpy(np_array)

# 从另外一个tensor
x_ones = torch.ones_like(x_data)
x_rand = torch.rand_like(x_data,dtype=torch.float)

# 使用随机或恒定值
shape = (2,3)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)

# tensor属性
tensor = torch.rand(3,4)
print(tensor.shape)  # 维度
print(tensor.dtype)  # 数据类型
print(tensor.device) # tensor运行单元

tensor运算

# 切片
tensor = torch.ones(4,4)
print(tensor[0]) # 第一行
print(tensor[:,0]) # 第一列
print(tensor[...,-1]) # 最后一行
tensor[:,1] = 0
print(tensor)
''' tensor([1., 1., 1., 1.]) tensor([1., 1., 1., 1.]) tensor([1., 1., 1., 1.]) tensor([[1., 0., 1., 1.], [1., 0., 1., 1.], [1., 0., 1., 1.], [1., 0., 1., 1.]]) '''
# 拼接
t1 = torch.cat([tensor,tensor,tensor],dim=1)  # 按照列来堆叠
print(t1)

# 算术运算
y1 = tensor @ tensor.T  # @ 点乘 .T转置
y2 = tensor.matmul(tensor.T)
y3 = torch.rand_like(y1)

torch.matmul(tensor, tensor.T,out=y3)  # tensor点乘 输出y3

z1 = tensor * tensor
z2 = tensor.mul(tensor)
z3 = torch.rand_like(tensor)
torch.mul(tensor,tensor,out=z3)

# tensor聚合为一个值
agg = tensor.sum()# <class 'torch.Tensor'>
agg_item = agg.item()#<class 'float'>
print(type(agg_item))


# 就地操作
tensor.add_(5)  # _表示原地操作，直接修改tensor,可节省内存，但在计算导数时会出现问题，丢失原始数据
print(tensor)


# cpu和numpy上的tensor可以共享它们的底层内存位置
t = torch.ones(5) # torch.tensor
n = t.numpy()# ndarray

t.add_(1)
print(t)# tensor([2., 2., 2., 2., 2.])
print(n)# [2. 2. 2. 2. 2.]