动手学深度学习__数据操作

N维数组（机器学习和神经网络主要的数据结构）

 创建数组

1. 形状；2. 元素数据类型；3. 每个元素的值；

    

 访问元素

正常访问单个元素 [1, 2] ，访问第一行第二列的元素（有第0行和第0列）

访问一行 [1, :] ，访问第一行所有元素

访问一列 [:, 1] ，访问第一列所有元素

访问数组中某个连续的子区域 [1:3, 1:] ，从第一列到第三列（3是开区间）and第一列到最后

访问数组中的子区域 [::3, ::2] ，:: 标示跳跃，每3行取一次，每2列取一次

import torch

# 生成一个[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]的数组
x = torch.arange(12);
# x -> tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])

x.shape()
# x 的形状，返回维度 torch.Size([12])

x.numel()
# x 元素的个数，返回值是个标量 12

x = x.reshape(3, 4)
# 改变 x 的形状
# tensor([0, 1, 2, 3], 
#        [4, 5, 6, 7], 
#        [8, 9, 10, 11]])

# 还可以使用全 0 全 1 创建
torch.zeros((2, 3, 4))         #torch.ones((2, 3, 4))
#tensor([[[0., 0., 0., 0.], 
#         [0., 0., 0., 0.], 
#         [0., 0., 0., 0.]],
#       
#        [[0., 0., 0., 0.], 
#         [0., 0., 0., 0.], 
#         [0., 0., 0., 0.]]])

1. 常见的标准运算（+， -，*， /，和**）都是按元素计算的 

 2. 多个张量连接，dim = 0 行拼接， dim =1 列拼接，以此类推。

3. 通过逻辑运算符构建

4. 对张量中所有元素进行求和，结果变为一个元素的张量 

5. 即使形状不同，可以使用广播机制（broadcasting mechansim）执行按位操作。注意维度一致！

 可以看出，其实是对a和b分别进行复制，把a复制一列，变成(3, 2); 把b复制3行，也变成(3, 2)，然后就可以按位操作。

注意：广播机制触发是需要两个条件的，第一个是两个张量必须不为空，第二个是两个张量从右向左依次比较，要么相同，要么其中一个为1，要么其中一个为空。