PyTorch入门使用

1. 张量 Tensor

张量是一个统称&＃xff0c;其中包括很多类型&＃xff1a;

0 阶张量&＃xff1a;标量、常数&＃xff0c;0-D Tensor

1 阶张量&＃xff1a;向量&＃xff0c;1-D Tensor

2 阶张量&＃xff1a;矩阵&＃xff0c;2-D Tensor

3 阶张量

...

n 阶张量

2. PyTorch 中张量的创建

使用 python 中的列表或序列创建张量

import torcha &＃61; torch.tensor([[1, -1], [2, 3]])
print(a, type(a))# 输出结果
tensor([[ 1, -1],[ 2, 3]])

使用 numpy 中的数组创建张量

import torch
import numpy as npa &＃61; torch.tensor(np.array([[1, -1], [2, 3]]))
print(a, type(a))# 输出结果
tensor([[ 1, -1],[ 2, 3]], dtype&＃61;torch.int32)

使用 torch 中的 api 创建张量

# 创建3x4的空张量&＃xff0c;用无用数据填充
torch.empty(3, 4)
# 创建3x4的全是1的张量
torch.ones([3, 4])
# 创建3x4的全是0的张量
torch.zeros([3, 4])
# 创建3x4的全是随机数的张量&＃xff0c;随机区间[0, 1)
torch.rand([3, 4])
# 创建3x4的随机整数张量&＃xff0c;随机区间[low, high)
torch.randint(low&＃61;0, high&＃61;10, size&＃61;[3, 4])
# 创建3x4的随机数张量&＃xff0c;随机值得分布均值为0&＃xff0c;方差为1
torch.randn([3, 4])

3. PyTorch 中的常用方法

tensor.item()   从张量中获取数据&＃xff08;当张量中仅有一个数据可用&＃xff09;

import torch
import numpy as npa &＃61; torch.tensor(np.arange(1))
print(a)
print(a.item())# 输出结果
tensor([0], dtype&＃61;torch.int32)
0

转化为 numpy 数组

import torch
import numpy as npa &＃61; torch.tensor(np.array([[1, -1], [2, 3]]))
print(a)
print(a.numpy())# 输出结果
tensor([[ 1, -1],[ 2, 3]], dtype&＃61;torch.int32)
[[ 1 -1][ 2 3]]

tensor.size()   获取张量形状

import torch
import numpy as npa &＃61; torch.tensor(np.array([[1, -1], [2, 3]]))
print(a)
print(a.size())# 输出结果
tensor([[ 1, -1],[ 2, 3]], dtype&＃61;torch.int32)
torch.Size([2, 2])

tensor.view()   改变张量形状&＃xff0c;浅拷贝&＃xff0c;仅仅改变形状

import torch
import numpy as npa &＃61; torch.tensor(np.array([[1, -1], [2, 3]]))
print(a)
b &＃61; a.view((1, 4))
print(b)# 输出结果
tensor([[ 1, -1],[ 2, 3]], dtype&＃61;torch.int32)
tensor([[ 1, -1, 2, 3]], dtype&＃61;torch.int32)

tensor.dim()   获取维数

tensor.max()   获取最大值

tensor.min()   获取最小值

tensor.std()   获取标准差

tensor.t() / tensor.transpose()  转置

import torch
import numpy as npa &＃61; torch.tensor(np.array([[1, -1], [2, 3]]))
print(a)
print(a.dim())
print(a.max())
print(a.t())# 输出结果
tensor([[ 1, -1],[ 2, 3]], dtype&＃61;torch.int32)
2
tensor(3, dtype&＃61;torch.int32)
tensor([[ 1, 2],[-1, 3]], dtype&＃61;torch.int32)

tensor[1, 3]   获取张量中第一行第三列的值&＃xff08;从 0 行 0 列开始&＃xff09;

tensor[1, 3]&＃61;100   对张量中第一行第三列的位置赋值 100

tensor[1, 2, 0]   切片

import torch
import numpy as npa &＃61; torch.tensor(np.array([[1, -1], [2, 3]]))
print(a[1, 0])
a[1, 0] &＃61; 100
print(a)# 输出结果
tensor(2, dtype&＃61;torch.int32)
tensor([[ 1, -1],[100, 3]], dtype&＃61;torch.int32)

4. Tensor 的数据类型

常用的不同数据类型的 Tensor&＃xff0c;有 32 位的浮点型 torch.FloatTensor,   64 位浮点型 torch.DoubleTensor,   16 位整形 torch.ShortTensor,    32 位整形 torch.IntTensor 和 64 位整形 torch.LongTensor。

关于数据类型的常用方法&＃xff1a;

tensor.dtype   获取张量的数据类型

import torch
import numpy as npa &＃61; torch.tensor(np.array([[1, -1], [2, 3]]))
print(a, a.dtype)# 输出结果
tensor([[ 1, -1],[ 2, 3]], dtype&＃61;torch.int32) torch.int32

创建张量时指定数据类型

import torch
import numpy as npa &＃61; torch.tensor(np.array([[1, -1], [2, 3]]), dtype&＃61;torch.float32)
print(a, a.dtype)# 输出结果
tensor([[ 1., -1.],[ 2., 3.]]) torch.float32

修改数据类型

import torch
import numpy as npa &＃61; torch.tensor(np.array([[1, -1], [2, 3]]), dtype&＃61;torch.int32)
print(a, a.dtype)
a &＃61; a.type(torch.float)
print(a, a.dtype)# 输出结果
tensor([[ 1, -1],[ 2, 3]], dtype&＃61;torch.int32) torch.int32
tensor([[ 1., -1.],[ 2., 3.]]) torch.float32