深度学习--数据操作

 torch.arange(12)产生一个从0开始到11（包括11）的一个向量，reshape函数，把向量转换为3x4的矩阵

import torch
x=torch.arange(12)
x=x.reshape(3,4)
#x=torch.zeros((2,3,4))#两个2个，三行4列的二维数组组成的三位数组

下面第一行代码等同于上述代码。sum（）函数用于求和，下面的cat函数用户把两个矩阵进行合并，dim等于0时表示按行合并，dim等于1时表示按列合并

x=torch.arange(12,dtype=torch.float32).reshape(3,4)
x.sum()
y=torch.tensor([[2.0,1,4,3],[1,2,3,4],[4,3,2,1]])
torch.cat((x,y),dim=0),torch.cat((x,y),dim=1)#dim=0按行/一维合并，dim=1按列/二维进行合并，dim=2

下面是输出结果：
x=torch.arange(12,dtype=torch.float32).reshape(3,4)
x.sum()
y=torch.tensor([[2.0,1,4,3],[1,2,3,4],[4,3,2,1]])
torch.cat((x,y),dim=0),torch.cat((x,y),dim=1)#dim=0按行/一维合并，dim=1按列/二维进行合并，dim=2

按照逻辑运算符来进行判断是否相等：

#按逻辑运算符来判断相等
# x=torch.arange(0,8,dtype=torch.float32).reshape(2,2,2)
# y=torch.arange(8,16,dtype=torch.float32).reshape(2,2,2)
# torch.cat((x,y),dim=2)
y==x

下面是输出结果：
tensor([[False,  True, False,  True],
        [False, False, False, False],
        [False, False, False, False]])

矩阵即使形状不同在Python里面也可以通过广播机制按元素进行操作：

a=torch.arange(3).reshape((3,1))
b=torch.arange(2).reshape((1,2))
a,b
a+b#即使形状不同，我们仍然可以通过广播机制来执行按元素操作，会把矩阵复制为（3,2）矩阵

下面是输出结果：
a=torch.arange(3).reshape((3,1))
b=torch.arange(2).reshape((1,2))
a,b
a+b#即使形状不同，我们仍然可以通过广播机制来执行按元素操作，会把矩阵复制为（3,2）矩阵

两矩阵之间同样可以曹勇一般数据运算时间的运算法：+，-，*，**，/:
 

x=torch.tensor([1.0,2,4,8])
y=torch.tensor([2,2,2,2])
x+y,x-y,x*y,x**y

下面是输出结果：
x=torch.tensor([1.0,2,4,8])
y=torch.tensor([2,2,2,2])
x+y,x-y,x*y,x**y