2.0 头文件
import torch
2.1 创建张量
# 创建一个一维包含12个元素,元素值为0~11的张量
x = torch.arange(12)
print(x)
# 输出:
# tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
# 查看张量的形状
print(x.shape)
# 输出:
# torch.Size([12])
# 查看张量中元素的个数
print(x.numel())
# 输出:
# 12
# 将张量形状改成3行4列
X = x.reshape(3, 4)
print(X)
# 输出:
# tensor([[ 0, 1, 2, 3],
# [ 4, 5, 6, 7],
# [ 8, 9, 10, 11]])
# 生成一个(2层,3行,4,列)的张量,元素全为0
X = torch.zeros((2, 3, 4))
print(X)
# 输出:
# 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.]]])
# 生成一个(2层,3行,4,列)的张量,元素全为1
X = torch.ones((2, 3, 4))
print(X)
# 输出:
# tensor([[[1., 1., 1., 1.],
# [1., 1., 1., 1.],
# [1., 1., 1., 1.]],
#
# [[1., 1., 1., 1.],
# [1., 1., 1., 1.],
# [1., 1., 1., 1.]]])
# 生成一个(3行,4列)的张量,每个元素服从标准正态分布
X = torch.randn(3, 4)
print(X)
# 输出:
# tensor([[ 0.9394, 0.6450, 0.5422, -0.1536],
# [ 0.1569, -1.4045, 0.2541, -0.8207],
# [ 1.0692, -1.4287, 0.3242, 0.7078]])
# 用python列表生成张量
X = torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
print(X)
# 输出:
# tensor([[2, 1, 4, 3],
# [1, 2, 3, 4],
# [4, 3, 2, 1]])
2.2 张量运算
# 逐元素的加减乘除幂
x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
# 加法
print(x + y)
# 输出:tensor([ 3., 4., 6., 10.])
# 减法
print(x - y)
# 输出:tensor([-1., 0., 2., 6.])
# 乘法
print(x * y)
# 输出:tensor([ 2., 4., 8., 16.])
# 除法
print(x / y)
# 输出:tensor([0.5000, 1.0000, 2.0000, 4.0000])
# 求幂
print(x ** y)
# 输出:tensor([ 1., 4., 16., 64.])
# 以e为底的指数
print(torch.exp(x))
# 输出:tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])
# 张量拼接
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(torch.cat((X, Y), dim=0)) #按行拼接
# 输出:
# 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.]])
print(torch.cat((X, Y), dim=1)) #按列拼接
# 输出:
# 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.]])
# 逐元素判断张量是否相等
print(X == Y)
# 输出:
# tensor([[False, True, False, True],
# [False, False, False, False],
# [False, False, False, False]])
# 对张量中所有元素求和
print(X.sum())
# 输出:
# tensor(66.)
2.3 广播机制
# 上面是对两个形状相同的张量进行逐元素运算
# 对两个形状不同的张量执行逐元素运算之前,要先根据广播机制对张量进行扩充,使得两个张量具有相同的形状
a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
print(a + b)
# 输出:
# tensor([[0, 1],
# [1, 2],
# [2, 3]])
# a复制列,b复制行
2.4 切片和索引
X = torch.arange(12, dtype=torch.float32).reshape((3,4))
# 选择最后最后一个元素
print(X[-1])
# 输出:
# tensor([ 8., 9., 10., 11.])
# 选择第二个和第三个元素
print(X[1:3])
# 输出:
# tensor([[ 4., 5., 6., 7.],
# [ 8., 9., 10., 11.]])
# 修改第2行第3列的元素
# print(X[1, 2] = 9)
# 输出:
# tensor([[ 0., 1., 2., 3.],
# [ 4., 5., 9., 7.],
# [ 8., 9., 10., 11.]])
# 修改前两行的元素
X[0:2, :] = 12
print(X)
# 输出:
# tensor([[12., 12., 12., 12.],
# [12., 12., 12., 12.],
# [ 8., 9., 10., 11.]])
2.5 张量和其他类型的转换
X = torch.arange(12, dtype=torch.float32).reshape((3,4))
# 将张量转换为ndarray
A = X.numpy()
print(A)
# 输出:
# [[ 0. 1. 2. 3.]
# [ 4. 5. 6. 7.]
# [ 8. 9. 10. 11.]]
# 将ndarray转换为张量
B = torch.tensor(A)
print(B)
# 输出:
# tensor([[ 0., 1., 2., 3.],
# [ 4., 5., 6., 7.],
# [ 8., 9., 10., 11.]])
# 将大小为1的张量转换为python标量
a = torch.tensor([3.5])
a.item()
print(float(a)) # 3.5
print(int(a)) # 3
本小节完整代码
import torch
# ------------------------------创建张量-------------------------------------
# 创建一个一维包含12个元素,元素值为0~11的张量
x = torch.arange(12)
print(x)
# 输出:
# tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
# 查看张量的形状
print(x.shape)
# 输出:
# torch.Size([12])
# 查看张量中元素的个数
print(x.numel())
# 输出:
# 12
# 将张量形状改成3行4列
X = x.reshape(3, 4)
print(X)
# 输出:
# tensor([[ 0, 1, 2, 3],
# [ 4, 5, 6, 7],
# [ 8, 9, 10, 11]])
# 生成一个(2层,3行,4,列)的张量,元素全为0
X = torch.zeros((2, 3, 4))
print(X)
# 输出:
# 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.]]])
# 生成一个(2层,3行,4,列)的张量,元素全为1
X = torch.ones((2, 3, 4))
print(X)
# 输出:
# tensor([[[1., 1., 1., 1.],
# [1., 1., 1., 1.],
# [1., 1., 1., 1.]],
#
# [[1., 1., 1., 1.],
# [1., 1., 1., 1.],
# [1., 1., 1., 1.]]])
# 生成一个(3行,4列)的张量,每个元素服从标准正态分布
X = torch.randn(3, 4)
print(X)
# 输出:
# tensor([[ 0.9394, 0.6450, 0.5422, -0.1536],
# [ 0.1569, -1.4045, 0.2541, -0.8207],
# [ 1.0692, -1.4287, 0.3242, 0.7078]])
# 用python列表生成张量
X = torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
print(X)
# 输出:
# tensor([[2, 1, 4, 3],
# [1, 2, 3, 4],
# [4, 3, 2, 1]])
# ------------------------------张量运算-------------------------------------
# 逐元素的加减乘除幂
x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
# 加法
print(x + y)
# 输出:tensor([ 3., 4., 6., 10.])
# 减法
print(x - y)
# 输出:tensor([-1., 0., 2., 6.])
# 乘法
print(x * y)
# 输出:tensor([ 2., 4., 8., 16.])
# 除法
print(x / y)
# 输出:tensor([0.5000, 1.0000, 2.0000, 4.0000])
# 求幂
print(x ** y)
# 输出:tensor([ 1., 4., 16., 64.])
# 以e为底的指数
print(torch.exp(x))
# 输出:tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])
# 张量拼接
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(torch.cat((X, Y), dim=0)) #按行拼接
# 输出:
# 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.]])
print(torch.cat((X, Y), dim=1)) #按列拼接
# 输出:
# 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.]])
# 逐元素判断张量是否相等
print(X == Y)
# 输出:
# tensor([[False, True, False, True],
# [False, False, False, False],
# [False, False, False, False]])
# 对张量中所有元素求和
print(X.sum())
# 输出:
# tensor(66.)
# ------------------------------广播机制-------------------------------------
# 上面是对两个形状相同的张量进行逐元素运算
# 对两个形状不同的张量执行逐元素运算之前,要先根据广播机制对张量进行扩充,使得两个张量具有相同的形状
a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
print(a + b)
# 输出:
# tensor([[0, 1],
# [1, 2],
# [2, 3]])
# a复制列,b复制行
# ------------------------------索引和切片-------------------------------------
X = torch.arange(12, dtype=torch.float32).reshape((3,4))
# 选择最后最后一个元素
print(X[-1])
# 输出:
# tensor([ 8., 9., 10., 11.])
# 选择第二个和第三个元素
print(X[1:3])
# 输出:
# tensor([[ 4., 5., 6., 7.],
# [ 8., 9., 10., 11.]])
# 修改第2行第3列的元素
# print(X[1, 2] = 9)
# 输出:
# tensor([[ 0., 1., 2., 3.],
# [ 4., 5., 9., 7.],
# [ 8., 9., 10., 11.]])
# 修改前两行的元素
X[0:2, :] = 12
print(X)
# 输出:
# tensor([[12., 12., 12., 12.],
# [12., 12., 12., 12.],
# [ 8., 9., 10., 11.]])
# ------------------------------张量和其他类型的转换-------------------------------------
X = torch.arange(12, dtype=torch.float32).reshape((3,4))
# 将张量转换为ndarray
A = X.numpy()
print(A)
# 输出:
# [[ 0. 1. 2. 3.]
# [ 4. 5. 6. 7.]
# [ 8. 9. 10. 11.]]
# 将ndarray转换为张量
B = torch.tensor(A)
print(B)
# 输出:
# tensor([[ 0., 1., 2., 3.],
# [ 4., 5., 6., 7.],
# [ 8., 9., 10., 11.]])
# 将大小为1的张量转换为python标量
a = torch.tensor([3.5])
a.item()
print(float(a)) # 3.5
print(int(a)) # 3