|
注：并非原创 只是学习中遇到的 学习后直接积累了
1.深拷贝与浅拷贝
直接赋值：其实就是对象的引用（别名）。
浅拷贝(copy)：拷贝父对象，不会拷贝对象内部的子对象。
b = a.copy()
深拷贝(deepcopy)：copy 模块的 deepcopy 方法，完全拷贝了父对象及其子对象。（参数，变则都变）
c = copy.deepcopy(a)
2.detach 和 clone
- detach() 操作后的tensor 与 原始tensor 共享数据内存，当原始tensor在计算图中数值发生反向传播等更新之后，detach()的tensor值也发生了改变。
- torch.detach() — 新的tensor会脱离计算图，不会牵扯梯度计算
torch.clone() — 新的tensor充当中间变量，会保留在计算图中，参与梯度计算（回传叠加），但是一般不会保留自身梯度。
- pytorch.range() 和 pytorch.arange()**
区别在于：数据类型；是否包含终点
>>> y=torch.range(1,6)
>>> y
tensor([1., 2., 3., 4., 5., 6.])
>>> y.dtype
torch.float32
>>> z=torch.arange(1,6)
>>> z
tensor([1, 2, 3, 4, 5])
>>> z.dtype
torch.int64
4.torch.view
view函数的作用为重构张量的维度，相当于numpy中resize（）的功能
1.torch.view(a,b）表示重构的维度
2.torch.view(-1)表示重构为1维
3.torch.view(参数a，-1)，则表示在参数b未知，参数a已知的情况下自动补齐列向量长度。
5.torch.zeros()
torch.zeros()返回一个由标量值0填充的张量，其形状由变量参数size定义。
torch.zeros(size, out=None)
6 torch.sparse
在矩阵中，若数值为0的元素数目远远多于非0元素的数目，并且非0元素分布没有规律时，则称该矩阵为稀疏矩阵；与之相反，若非0元素数目占大多数时，则称该矩阵为稠密矩阵。定义非零元素的总数比上矩阵所有元素的总数为矩阵的稠密度。
7.torch.sort
参数：
input (Tensor) – the input tensor
形式上与 numpy.narray 类似
dim (int, optional) – the dimension to sort along
维度，对于二维数据：dim=0 按列排序，dim=1 按行排序，默认 dim=1
descending (bool, optional) – controls the sorting order (ascending or descending)
降序，descending=True 从大到小排序，descending=False 从小到大排序，默认 descending=Flase
|