torch-张量Tensor
1. 张量Tensor
- torch.tensor()
# 创建一个标量（0维张量）
scalar_tensor = torch.tensor(3.14)
# 创建一个向量（1维张量）
vector_tensor = torch.tensor([1, 2, 3])
# 创建一个矩阵（2维张量）
matrix_tensor = torch.tensor([[1, 2], [3, 4]])
# 创建一个3维张量
tensor_3d = torch.tensor([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
- torch.zeros()-全零张量
zero_tensor = torch.zeros(3, 4) # 3行4列的全零矩阵
- torch.ones()-全一张量
ones_tensor = torch.ones(2, 3) # 2行3列的全一矩阵
- torch.full()-常数填充张量
constant_tensor = torch.full((2, 2), 7) # 2行2列的常数填充矩阵，值为7
- torch.eye()-单位矩阵
identity_matrix = torch.eye(3) # 3阶单位矩阵
- torch.arange()-等差数列张量
range_tensor = torch.arange(0, 10, 2) # 从0开始，步长为2，直到小于10
- torch.rand()-随机张量
rand_tensor = torch.rand(2, 3) # 2行3列的均匀分布随机矩阵
- torch.randn()-正态分布随机张量
randn_tensor = torch.randn(3, 3) # 3行3列的正态分布随机矩阵
- size()-形状
x = torch.rand(2, 3)
print(x.size()) # 输出: torch.Size([2, 3])
- dtype-数据类型指定及获取
x = torch.rand(2, 3, dtype=torch.float)
print(x.dtype) # 输出: torch.float32
- to()-GPU/CPU
if torch.cuda.is_available():
device = torch.device("cuda") # GPU 设备
else:
device = torch.device("cpu") # CPU 设备
x = x.to(device)
- randn_like()、zeros_like()、ones_like()-已知张量创建形状类似的张量
t = torch.randn(3,3)
t1 = torch.randn_like(t)
- 张量方法(它们有很多参数可选，要用再查)：
t = torch.rand(3, 4, 5)
t.nelement() # 返回数量
t.size() # 返回尺寸，元组
t.shape # 返回形状，元组
t.size(2) # 返回指定维度大小
t.view(12, 5)
t.view(-1, 6).shape
t.view(-1, 6).transpose(1, 0).shape
- 索引和切片
张量的索引和切片和列表基本是一样的，有步长、起点、终点等。例如：
t[0,0,2] t[:,1,1] t>0 t[t > 0]
- 张量运算
# 加法运算
add_res = x + y
# 减法运算
sub_res = x - y
# 乘法运算
mul_res = x * y
# 除法运算
div_res = x / y
# 加法运算
add_res = torch.add(x, y)
# 减法运算
sub_res = torch.subtract(x, y)
# 乘法运算
mul_res = torch.mul(x, y)
# 除法运算
div_res = torch.div(x, y)
- 转置：
x = torch.randn(3, 4)
y = x.transpose(0, 1)
下面是对张量操作的总结，不含代码，要用再查：
- 创建操作：用于构造张量的函数，如ones()和from_numpy()
- 修改操作：用于直接修改张量
- 索引、切片、连接、转换操作：用于改变张量的形状、步长或内容的函数
- 数学操作：通过运算操作张量内容的函数：
- 逐点操作：通过对每个元素分别应用一个函数来得到一个新的张量，如abs()、cos()
- 归约操作：通过迭代张量来计算聚合值的函数，如mean()
- 比较操作：在张量上计算数字谓词的函数
- 频谱操作：在频域上进行变换和操作的函数
- 其他操作：作用于向量的特定函数，或对矩阵进行操作的函数
- BLAS和LAPACK操作：符合基本线性代数子程序规范的函数，用于标量、向量—向量、矩阵—向量、矩阵—矩阵操作
- 随机采样：从概率分布中随机生成值的函数
- 序列化：保存和加载张量的函数
- 并行化：用于控制并行CPU执行的线程数的函数。
与·numpy的互操作：
# 从张量points得到一个numpy数组
points_np = points.numpy()
# 从numpy得到一个pytorch张量
points = torch.from_numpy(points_np)