- 一、前置条件
- 二、操作
- 1.指定长度的顺序向量
- 2.查看元素总数
- 3.改变张量形状
- 4.查看张量形状
- 5.全0张量
- 6.全1张量
- 7.声明时指定张量的每一个值
- 8.张量元素运算
- 9.张量拼接
- 10.张量元素比较
- 11.张量元素求和
- 12.张量元素求均值
- 13.广播机制
- 14.取出张量中的元素
- 15.张量中的元素赋值
- 16.深拷贝与浅拷贝
- 17.tensor 转 numpy
- 18.numpy 转 tensor
- 19.tensor大小为1的张量转标量
- 20.矩阵转置
- 21.判定矩阵是否是对称矩阵
- 22.向量点积
- 23.矩阵向量积
- 24.矩阵X矩阵
- 25.任意维度张量乘法
- 26.求L1范数
- 27.求L2范数【向量长度】
- 28.求F范数【矩阵佛罗贝尼乌斯范数】
一、前置条件
安装pytorch
pip install torch torchvision torchaudio
二、操作 1.指定长度的顺序向量
# 长度为12的向量 x = torch.arange(12) print(x) # tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])2.查看元素总数
# 查看元素总数 x = torch.arange(12) print(x.numel()) # number of element # 123.改变张量形状
# 改变张量形状 # .reshape()这个方法是浅拷贝！！切记 x = torch.arange(12).reshape(3, 4) # 12维向量改为3行4列矩阵 print(x) # tensor([[ 0, 1, 2, 3], # [ 4, 5, 6, 7], # [ 8, 9, 10, 11]])4.查看张量形状
# 查看张量形状 x = torch.arange(12).reshape(3, 4) print(x.shape) # torch.Size([3, 4])5.全0张量
# 全0张量 x = torch.zeros((2, 3, 4)) print(x) # tensor([[[0., 0., 0., 0.], # [0., 0., 0., 0.], # [0., 0., 0., 0.]], # # [[0., 0., 0., 0.], # [0., 0., 0., 0.], # [0., 0., 0., 0.]]])6.全1张量
# 全1张量 x = torch.ones((2, 3, 4)) print(x) # tensor([[[1., 1., 1., 1.], # [1., 1., 1., 1.], # [1., 1., 1., 1.]], # # [[1., 1., 1., 1.], # [1., 1., 1., 1.], # [1., 1., 1., 1.]]])7.声明时指定张量的每一个值
x = torch.tensor([[2.0, 1.0, 6.5], [6.1, 6.0, 4.5]]) print(x) # tensor([[2.0000, 1.0000, 6.5000], # [6.1000, 6.0000, 4.5000]])8.张量元素运算
# 张量元素运算 x = torch.tensor([3.0, 4.0, 5.0, 6.0]) y = torch.tensor([2.0, 2.0, 2.0, 2.0]) # 加 z = x + y print(z) # tensor([5., 6., 7., 8.]) # 减 z = x - y print(z) # tensor([1., 2., 3., 4.]) # 乘 z = x * y print(z) # tensor([ 6., 8., 10., 12.]) # 除 z = x / y print(z) # tensor([1.5000, 2.0000, 2.5000, 3.0000]) # 幂 z = x ** y print(z) # tensor([ 9., 16., 25., 36.])9.张量拼接
x = torch.tensor([[3.0, 4.0], [5.0, 6.0]]) y = torch.tensor([[2.0, 2.0], [2.0, 2.0]]) # 纵向拼接【特征堆叠】 z0 = torch.cat((x, y), dim=0) print(z0) # tensor([[3., 4.], # [5., 6.], # [2., 2.], # [2., 2.]]) # 横向拼接【特征拼接】 z1 = torch.cat((x, y), dim=1) print(z1) # tensor([[3., 4., 2., 2.], # [5., 6., 2., 2.]])10.张量元素比较
# 张量元素比较 x = torch.tensor([[3.0, 4.0], [2.0, 6.0]]) y = torch.tensor([[2.0, 2.0], [2.0, 2.0]]) print(x == y) # tensor([[False, False], # [ True, False]])11.张量元素求和
# 张量元素求和 # axis指定求和方法，对哪一维求和就会消除掉那一维 x = torch.tensor([[3.0, 4.0], [2.0, 6.0]]) print(x.sum()) # tensor(15.) print(x.sum(axis=0)) # 纵向求和,消除第一个维度，由 [2, 2] 变为 [2] # tensor([ 5., 10.]) print(x.sum(axis=1)) # 横向求和,消除第二个维度，由 [2, 2] 变为 [2] # tensor([7., 8.]) print(x.sum(axis=0, keepdims=True)) # 纵向求和保持维度，保留第一个维度，由 [2, 2] 变为 [1, 2] # tensor([[ 5., 10.]]) print(x.sum(axis=1, keepdims=True)) # 横向求和保持维度，保留第二个维度，由 [2, 2] 变为 [2, 1] # tensor([[7.], # [8.]])12.张量元素求均值
# 张量元素求均值 # axis指定求均值方法，对哪一维求均值就会消除掉那一维 x = torch.tensor([[3.0, 4.0], [2.0, 6.0]]) print(x.mean()) # tensor(3.7500) print(x.mean(axis=0)) # 纵向求均值,消除第一个维度，由 [2, 2] 变为 [2] # tensor([2.5000, 5.0000]) print(x.mean(axis=1)) # 横向求均值,消除第二个维度，由 [2, 2] 变为 [2] # tensor([3.5000, 4.0000]) print(x.mean(axis=0, keepdims=True)) # 纵向求均值保持维度，保留第一个维度，由 [2, 2] 变为 [1, 2] # tensor([[2.5000, 5.0000]]) print(x.mean(axis=1, keepdims=True)) # 横向求均值保持维度，保留第二个维度，由 [2, 2] 变为 [2, 1] # tensor([[3.5000], # [4.0000]])13.广播机制
# 广播机制 # 维度不同的张量操作时会自动扩充成相同维度 x = torch.tensor([[3.0], [2.0]]) y = torch.tensor([[3.0, 4.0]]) print(x) # tensor([[3.], # [2.]]) print(y) # tensor([[3., 4.]]) z = x + y # 两行一列 + 一行两列 = 两行两列 print(z) # tensor([[6., 7.], # [5., 6.]])14.取出张量中的元素
x = torch.tensor([[3.0, 4.0], [2.0, 6.0]]) e21 = x[1, 0] # 第二行第一列 print(e21) # tensor(2.)15.张量中的元素赋值
x = torch.tensor([[3.0, 4.0], [2.0, 6.0]]) x[0, :] = 12.0 # 第一行的值全部设为12 print(x) # tensor([[12., 12.], # [ 2., 6.]])16.深拷贝与浅拷贝
# ps # 内存使用技巧 # 尽量使用 x += y 而不是 x = x + y # x += y 会在 原来的 x 上进行赋值，而 x = x + y 会为 x 新创建新内存空间然后赋值 x = torch.tensor([[2.0, 1.0]]) y = torch.tensor([[3.0, 4.0]]) # 浅拷贝 x += y before = id(x) x += y print(id(x) == before) # True # 深拷贝 before = id(x) x = x + y print(id(x) == before) # False # 深拷贝的另一种方式 x = torch.tensor([[3.0, 2.0], [2.0, 6.0]]) y = x.clone() print(id(y) == id(x)) # False17.tensor 转 numpy
# tensor 转 numpy x = torch.tensor([[2.0, 1.0]]) y = x.numpy() print(type(x), type(y)) #18.numpy 转 tensor
# numpy 转 tensor x = numpy.array([[2.0, 1.0]]) y = torch.tensor(x) print(type(x), type(y)) #19.tensor大小为1的张量转标量
# tensor大小为1的张量转标量 x = numpy.array([2.0]) y = x.item() print(y) # 2.020.矩阵转置
# 矩阵转置 x = torch.tensor([[3.0, 4.0], [2.0, 6.0]]) print(x.T) # tensor([[3., 2.], # [4., 6.]])21.判定矩阵是否是对称矩阵
# 判定矩阵是否是对称矩阵 x = torch.tensor([[3.0, 2.0], [2.0, 6.0]]) # x等于x的转置，那么就是对称矩阵 print(x == x.T) # tensor([[True, True], # [True, True]])22.向量点积
# 向量点积 x = torch.tensor([3.0, 4.0, 2.0, 6.0]) y = torch.tensor([2.0, 2.0, 2.0, 2.0]) # 第一种写法 z = torch.dot(x, y) print(z) # 第二种写法 z = torch.sum(x * y) print(z)23.矩阵向量积
# 矩阵向量积 x = torch.tensor([[3.0, 4.0], [2.0, 6.0]]) # 2x2 矩阵 y = torch.tensor([2.0, 2.0]) # 2x1 向量 z = torch.mv(x, y) print(z) # 2x1 向量 # tensor([14., 16.])24.矩阵X矩阵
# 矩阵X矩阵【可以理解为执行m次矩阵向量积，并将结果拼接在一起，形成 nxm 的矩阵】 x = torch.tensor([[3.0, 4.0], [2.0, 6.0], [2.0, 6.0]]) # 3x2 矩阵 y = torch.tensor([[2.0, 2.0, 6.0], [2.0, 2.0, 2.0]]) # 2x3 矩阵 z = torch.mm(x, y) print(z) # 3x3 矩阵 # tensor([[14., 14., 26.], # [16., 16., 24.], # [16., 16., 24.]])25.任意维度张量乘法
# 任意维度张量乘法 x = torch.tensor([[[3.0, 4.0], [2.0, 6.0]], [[3.0, 4.0], [2.0, 6.0]]]) # 2x2x2 矩阵 y = torch.tensor([[[3.0, 4.0], [2.0, 6.0]], [[3.0, 4.0], [2.0, 6.0]]]) # 2x2x2 矩阵 z = torch.matmul(x, y) print(z) # 2x2x2 矩阵 # tensor([[[17., 36.], # [18., 44.]], # # [[17., 36.], # [18., 44.]]])26.求L1范数
# 求L1范数 # L1范数 = 向量元素的绝对值之和 x = torch.tensor([3.0, 4.0, 2.0, 6.0]) x_l2 = torch.abs(x).sum() print(x_l2) # tensor(15.)27.求L2范数【向量长度】
# 求L2范数【向量长度】 # L2范数 = 向量元素平方和的平方根 x = torch.tensor([3.0, 4.0, 2.0, 6.0]) x_l1 = torch.norm(x) print(x_l1) # tensor(8.0623)28.求F范数【矩阵佛罗贝尼乌斯范数】
# 求F范数【矩阵佛罗贝尼乌斯范数】 # 矩阵元素平方和的平方根 x = torch.tensor([[2.0, 2.0, 6.0], [2.0, 2.0, 2.0]]) x_f = torch.norm(x) print(x_f) # tensor(7.4833)
