初学者的pytorch教程之学习笔记（1）

import torch

t= torch.tensor([
    [1,1,1,1],
    [2,2,2,2],
    [3,3,3,3]
],dtype=torch.float32)

我们可以看到这个张量是一个有两个轴的二阶张量，第一个轴的长度是3，第2个轴的长度是4，第一个轴的元素是数组，第2个轴的元素是数字。

t.size()

torch.Size([3, 4])

t.shape

torch.Size([3, 4])

# 通过检查它的形状长度获得张量的秩
len(t.shape)

2

# 查看分量
t.numel()

12

# 重塑shape
t.reshape(2,6)

tensor([[1., 1., 1., 1., 2., 2.],
        [2., 2., 3., 3., 3., 3.]])

#改变秩
t.reshape(2,2,3)

tensor([[[1., 1., 1.],
         [1., 2., 2.]],

        [[2., 2., 3.],
         [3., 3., 3.]]])

下一步我们可以改变张量的形状。通过压缩(squeezing)和解缩(unsqueezing）它们
压缩一个张量可以移除所有长度为1的轴。而解缩一个张量则会增加-个长度为1的维度
这些函数允许我们放大或缩小张量的秩

print(t.reshape(1,12))
print(t.reshape(1,12).shape)

tensor([[1., 1., 1., 1., 2., 2., 2., 2., 3., 3., 3., 3.]])
torch.Size([1, 12])

print(t.reshape(1,12).squeeze())
print(t.reshape(1,12).squeeze().shape)

tensor([1., 1., 1., 1., 2., 2., 2., 2., 3., 3., 3., 3.])
torch.Size([12])

print(t.reshape(1,12).squeeze().unsqueeze(dim=0))
print(t.reshape(1,12).squeeze().unsqueeze(dim=0).shape)

tensor([[1., 1., 1., 1., 2., 2., 2., 2., 3., 3., 3., 3.]])
torch.Size([1, 12])

 # 通过构建一个flatten函数来压缩一个张量
# 压扁一个张量意味着除去所有的轴，只保留一个，创造了一个单轴的张量，它包含了张量的元素
# flatten的操作，是当我们从一个卷积层过度到全连接层时必须的操作
def flatten(t):
    t = t.reshape(1,-1)
    t = t.squeeze()
    return t

flatten(t)

tensor([1., 1., 1., 1., 2., 2., 2., 2., 3., 3., 3., 3.])

t.reshape(1,12)

tensor([[1., 1., 1., 1., 2., 2., 2., 2., 3., 3., 3., 3.]])

# cat函数组合张量
t1 = torch.tensor([
    [1,2],
    [2,3]
])

t2 = torch.tensor([
    [3,4],
    [5,6]
])

torch.cat((t1,t2),dim = 0)

tensor([[1, 2],
        [2, 3],
        [3, 4],
        [5, 6]])