张量Tensor
各种数值数据都可以称之为张量。
- 0阶张量：标量、常数（scaler）? ? ? ? 0-D Tensor
- 1阶张量：向量（vector）? ? ? ? 1-D Tensor
- 2阶张量：矩阵（matrix）? ? ? ? 2-D Tensor
- ……
- n阶张量
Tensor创建
import torch
import numpy as np
#列表创建tensor
t1=torch.Tensor([1,2,3])
#numpy创建tensor
t2=torch.tensor(np.array([[1,2],[3,4]]))
#torch的api创建
torch.empty(3,4) #创建三行四列全为空的tensor，用无数据进行填充
torch.ones([3,4]) #创建三行四列全为1的tensor
torch.zeros([3,4]) #创建三行四列全为0的tensor
torch.rand([3,4]) #创建三行四列随机值的tensor，随机值区间为[0,1）
torch.randint(low=0,high=10,size=[3,4]) 创建三行四列的区间为[0,10)的随机！整！数矩阵
torch.randn([3,4]) 创建三行四列，均值为0方差为1的随机数矩阵
张量的方法和属性
- 获取tensor中的数据（当tensor中只有一个数据可用时）：tensor.item()
- 转化成numpy数组：tensor.numpy（）
- 获取形状：tensor.size（）或 tensor.shape
- 改变形状：tensor.view((m,n))? ? ? ? 不改变原来的值
? ? ? ? ? ? ? ? ??tensor.reshape()? ? ? ? ? ?不改变原来的值 - 获取维度：tensor.dim（）
- 获取特殊值：tensor.max()? ?tensor.min()? ??tensor.std()? ?tensor.mean()? ? 等
- 转置：tensor.t（）
? ? ? ? ? ?tensor.transpose(0,1)? ? ? ? 序列为0的维度和序列为1的维度进行转置
? ? ? ? ? ?tensor.permute(0,1,2,……)? ? ? ? tensor有n维便要填入n个参数，对改变的维度转换?
? ? ? ? ? ?同样不改变原值 - 取值：tensor[dim1,dim2,……]
- 赋值：tensor[dim1,dim2,……]=a? ? ? ? 赋值为a
Tensor的数据类型
- 获取数据类型：tensor.dtype
- 创建tensor时，指定其数据类型：t1=torch.tensor([1,2,3],dtype=torch.float32)
- 类型的转换：tensor.int()? ? ? ?tensor.float()等
- torch.Tensor和torch.tensor区别：
? ? ? ? 全局默认数据类型为 ：tensor.float32
? ? ? ??torch.Tensor(),向其中传入数据创建tensor，效果同torch.FloatTensor()
? ? ? ??torch.tensor()中，可以指定数据类型
Torch的其他操作
x=torch.ones([5,3],dtype=torch.float32)
y=torch.rand(5,3)
#tensor和tensor相加（加减乘除）
x+y
torch.add(x,y)
x.add(y) #这三种方法不会修改x和y的值
x.add_(y) #会对x就地修改，相当于x=x+y 类似方法加_都是就地修改
#tensor和数字操作（加减乘除）
x+10
#CUDA中的tensor
torch.cuda.is_available() 可以检查是否支持CUDA
device=torch.device("cuda" if torch.cuda.is_available() else "cpu") #建立device对象
a=torch.zeros([2,3])
a.to(device) #转换到device对象上
|