数据操作和预处理
数据操作
N维数组样例
- N维数组是机器学习和神经网络的主要数据结构
数据操作实现
import torch
我们使用pytorch框架，但我们导入的是torch
x = torch.arange(12)
demo1 = torch.arange(1,10)
demo2 = torch.range(1,10)
print(x)
print(demo1)
print(demo2)
print(demo1.dtype)
print(demo2.dtype)
'''最终的结果为：
tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
tensor([1, 2, 3, 4, 5, 6, 7, 8, 9])
tensor([ 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])
torch.int64
torch.float32'''
从上面的例子中，我们可以看到torch.arange()和torch.range()的区别。不过建议以后都用torch.arange(),因为torch.range()可能在今后的版本中被移除。
x = torch.arange(12)
print(x.shape)
print(x.numel())
print(x.reshape(2,6))
'''输出结果：
torch.Size([12])
12
tensor([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11]])'''
我们可以通过张量的 shape 属性来访问张量的形状 和张量中元素的总数，用numel()函数得到数组中值的数量。要改变一个张量的形状而不改变元素数量和元素值，可以调用 reshape 函数。
print(torch.zeros(3,4,5))
print(torch.ones(2,3,2))
print(torch.randn(2,2,2))
'''输出结果：
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., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]],
[[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]]])
tensor([[[1., 1.],
[1., 1.],
[1., 1.]],
[[1., 1.],
[1., 1.],
[1., 1.]]])
tensor([[[ 1.5315, -0.3653],
[-0.7024, -0.9643]],
[[ 0.0168, 0.7276],
[ 1.0024, -2.0303]]])'''
torch.zeros()，torch.ones()，torch.randn()输出的是全0，全1或者随机数的数组。
print(torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]]))
print(torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]]).shape)
'''输出结果：
tensor([[2, 1, 4, 3],
[1, 2, 3, 4],
[4, 3, 2, 1]])
torch.Size([3, 4])'''
torch.tensor是一个包含多个同类数据类型数据的多维矩阵。
x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
print(x + y)
print(x - y)
print(x * y)
print(x / y)
print(x ** y)
print(torch.exp(x))
'''输出结果：
tensor([ 3., 4., 6., 10.])
tensor([-1., 0., 2., 6.])
tensor([ 2., 4., 8., 16.])
tensor([0.5000, 1.0000, 2.0000, 4.0000])
tensor([ 1., 4., 16., 64.])
tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])'''
常见的标准算术运算符（+、-、*、/ 和 **）都可以被升级为按元素运算
X = torch.arange(12, dtype=torch.float32).reshape((3, 4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
print(X)
print(Y)
print(torch.cat((X, Y), dim=0))
print(torch.cat((X, Y), dim=1))
'''输出结果：
tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]])
tensor([[2., 1., 4., 3.],
[1., 2., 3., 4.],
[4., 3., 2., 1.]])
tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[ 2., 1., 4., 3.],
[ 1., 2., 3., 4.],
[ 4., 3., 2., 1.]])
tensor([[ 0., 1., 2., 3., 2., 1., 4., 3.],
[ 4., 5., 6., 7., 1., 2., 3., 4.],
[ 8., 9., 10., 11., 4., 3., 2., 1.]])'''
我们也可以把多个张量 连结（concatenate） 在一起，其中随着参数不同，方式也不同
print(X == Y)
'''输出结果：
tensor([[False, True, False, True],
[False, False, False, False],
[False, False, False, False]])'''
我们可以通过 逻辑运算符 构建二元张量
print(X.sum())
'''输出结果：
tensor(66.)'''
对张量中的所有元素进行求和会产生一个只有一个元素的张量
a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
print(a)
print(b)
print(a + b)
'''输出结果：
tensor([[0],
[1],
[2]])
tensor([[0, 1]])
tensor([[0, 1],
[1, 2],
[2, 3]])'''
当两个数组的形状并不相同的时候，我们可以通过扩展数组的方法来实现相加、相减、相乘等操作，这种机制叫做广播（broadcasting）。
在上面的案例中，我们将a数组扩展成（3,2），第二列复制第一列的元素。将b数组扩展成（3,2）,第2,3行复制第一行的元素，这样就可以进行加法操作。
print(X)
print(X[-1])
print(X[1:3])
print(X[:])
'''输出结果：
tensor([[ 0., 1., 2., 3.],
[ 4., 5., 9., 7.],
[ 8., 9., 10., 11.]])
tensor([ 8., 9., 10., 11.])
tensor([[ 4., 5., 9., 7.],
[ 8., 9., 10., 11.]])
tensor([[ 0., 1., 2., 3.],
[ 4., 5., 9., 7.],
[ 8., 9., 10., 11.]])'''
可以用 [-1] 选择最后一个元素，可以用 [1:3] 选择第二个和第三个元素，用[:]代表所有元素
X[1, 2] = 9
print(X)
X[0:2, :] = 12
print(X)
'''输出结果：
tensor([[ 0., 1., 2., 3.],
[ 4., 5., 9., 7.],
[ 8., 9., 10., 11.]])
tensor([[12., 12., 12., 12.],
[12., 12., 12., 12.],
[ 8., 9., 10., 11.]])'''
c = 2.0
d = 2.0
print(id(c),id(d),id(2.0))
print('c == d:',c==d)
print('c is d:',c is d)#值相同，但地址不同
'''输出结果：
140232153204680 140232153204800 140232153204872
c == d: True
c is d: False'''
python中会为每个对象分配内存，哪怕他们的值完全相等。id(object)函数是返回对象object在其生命周期内位于内存中的地址，id函数的参数类型是一个对象。如下例子：c, d 和 2.0 地址不同，但值相等。
A = X.numpy()
B = torch.tensor(A)
print(type(A))
print(type(B))
'''输出结果：
<class 'numpy.ndarray'>
<class 'torch.Tensor'>
这里的numpy也是一种数组表示框架，比较常用。
a = torch.tensor([3.5])
print(a,a.item(),float(a),int(a))
'''输出结果：
tensor([3.5000]) 3.5 3.5 3'''
将大小为1的张量转换为 Python 标量