DeepLizard | PyTorch 神经网络编程系列

置顶一位大佬的学习笔记

https://www.zhihu.com/people/ji-jie-32-12/posts

学习提纲

Part 1·Section 1

Part 1· Section 2

0维张量	1维张量	2维张量
number（数）	array（数组）	2d-array（二维数组）
scalar（标量）	vector（向量）	matrix（矩阵）

tensor（张量）对应计算机的术语就是 nd-array（n维数组）

张量的三个属性——rank、axes、shape

（1）rank :张量的维度数量（阶数）

（2）Axis :某一维度的长度，也就是这一维度中的元素数量。比如一个3x4的矩阵，rank为2，第一个维度的axis为3，第二个维度的axis为4。

（3）shape: 各个维度都有多少个元素。3*4就是这个矩阵（二阶张量）的shape

张量的秩：一个张量有多少个轴

张量的形状由每个轴长度决定

import torch
dd=[
    [1,2,3],
    [4,5,6],
    [7,8,9]
]
t=torch.tensor(dd)
type (t)
t.shape
t.reshape(1,9)

[batch，channel，height，width]

特征图：输入颜色通道和卷积滤波器所产生的卷积的结果

将颜色通道和卷积滤波器做一个卷积运算得到一个输出通道结果成为特征映射

t.dtype #torch.float32 数据类型
t.device #cpu 数据被分配的位置 决定给定张量计算的位置
t.layout #torch.strided 张量数据如何在内存中布局

张量之间的张量运算必须与相同数据类型的张量运算

device=torch.device('cuda:0')

张量之间的计算依赖于类型和设备

创建张量

data=np.array([1,2,3])
torch.Tensor(data) #类构造函数 在内存中创建额外数据副本
torch.tensor(data) #常用 工厂函数 接收参数输入并返回特定类型对象的函数 在内存中创建额外数据副本 
torch.as_tensor(data) # 在内存中共享数据
torch.from_numpy(data) #在内存中共享数据

特殊矩阵

torch.eye(2) #单位矩阵 指定行数
torch.zeros(2,2)#零矩阵 指定每个轴长度
torch.ones(2,2)#全1张量
torch.rand(2,2)#随机张量

张量操作类型

重塑操作、元素操作、还原操作、访问操作

t.size() #张量的形状 [3,4]
t.shape  #张量的形状 [3,4]
len(t.shape) #张量的秩 2 
#张量中包含的元素个数 各分量值乘积
#把这个形状转换成一个张量，然后使用.prod看到这个张量包含几个分量
torch.tensor(t.shape).prod()
t.numel()#元素数量12