- 1 张量的定义
- 2 张量初始化
- 2.1 直接生成张量
- 2.2 通过numpy数组生成张量
- 2.3通过已有的张量生成新的张量
- 2.4通过指定数组维度来生成张量
- 3 张量的属性
- 4 张量
- 4.1 张量的索引和切片
- 4.2 张量的拼接
- 4.2.1 torch.cat方法
- 4.2.2 torch.stack方法
- 4.2.3 torch.cat 和 torch.stack的区别
- 4.3 张量的乘积和矩阵乘法
- 4.4 自动赋值运算
- 5 Tensor与Numpy的转化
- 5.1 由张量变换为Numpy array数组
- 5.2 由Numpy array数组转为张量
张量是一个多维数组。更正式地说，一个 N 阶张量是 N 个向量空间元素的张量积，每个向量空间都有自己的坐标系
张量的阶数（the order of a tensor）也称为维数（dimensions）、模态（modes）、或方式（ways）
data = [[1, 2], [3, 4]] x_data = torch.tensor(data)2.2 通过numpy数组生成张量
np_array = np.array(data) x_np = torch.from_numpy(np_array)2.3通过已有的张量生成新的张量
data = [[1, 2], [3, 4]]
x_data = torch.tensor(data)
# 保留 x_data 的属性
x_ones = torch.ones_like(x_data)
print(f"Ones Tensor: n {x_ones} n")
# 重写 x_data 的数据类型int -> float
x_rand = torch.rand_like(x_data, dtype=torch.float)
print(f"Random Tensor: n {x_rand} n")
输出：
2.4通过指定数组维度来生成张量# 描述张量的维数
shape = (2, 3,)
# 指定生成张量的维数
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)
print(f"Random Tensor: n {rand_tensor} n")
print(f"Ones Tensor: n {ones_tensor} n")
print(f"Zeros Tensor: n {zeros_tensor}")
输出：
tensor = torch.rand(3, 4)
# 张量的维度
print(f"Shape of tensor: {tensor.shape}")
# 张量的数据类型
print(f"Datatype of tensor: {tensor.dtype}")
# 张量所存储的设备
print(f"Device tensor is stored on: {tensor.device}")
4 张量
4.1 张量的索引和切片
tensor = torch.ones(4, 4) # 将第1列(从0开始)的数据全部赋值为0 tensor[:, 1] = 0 print(tensor)
输出：
tensor = torch.ones(4, 4) # dim 为指定要拼接的维度 t1 = torch.cat([tensor, tensor, tensor], dim=1) print(t1)
输出：
4.2.2 torch.stack方法torch.Size([4, 12])
tensor = torch.ones(4, 4) t1 = torch.stack([tensor, tensor, tensor], dim=1) print(t1)
输出：
4.2.3 torch.cat 和 torch.stack的区别torch.Size([4, 3, 4])
torch.cat方法会增加现有维度的值,可以理解为续接;
torch.stack方法会新加增加一个维度，可以理解为叠加
乘积：
tensor = torch.ones(4, 2)
tensor[:, 1] = 0
# 逐个元素相乘结果
print(f"tensor.mul(tensor): n {tensor.mul(tensor)} n")
# 等价写法:
print(f"tensor * tensor: n {tensor * tensor}")
输出：
矩阵乘法：
tensor = torch.ones(4, 2)
tensor[:, 1] = 0
print(f"tensor.matmul(tensor.T): n {tensor.matmul(tensor.T)} n")
# 等价写法:
print(f"tensor @ tensor.T: n {tensor @ tensor.T}")
输出：
4.4 自动赋值运算自动赋值运算通常在方法后有 _ 作为后缀, 例如: x.copy_(y), x.t_()操作会改变 x 的取值。
tensor = torch.ones(4, 2) tensor[:, 1] = 0 print(tensor, "n") tensor.add_(5) print(tensor)
输出：
5 Tensor与Numpy的转化在求导时会因为丢失了中间过程而导致一些问题
张量和Numpy array数组在CPU上可以共用一块内存区域, 改变其中一个另一个也会随之改变
5.1 由张量变换为Numpy array数组t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")
# 修改张量的值，则Numpy array数组值也会随之改变
t.add_(1)
print(f"t: {t}")
print(f"n: {n}")
输出：
5.2 由Numpy array数组转为张量# 由np转为tensor
n = np.ones(5)
t = torch.from_numpy(n)
print(f"t:{t}")
# 修改Numpy array数组的值，则张量值也会随之改变
np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")
输出：
参考：
https://pytorch.apachecn.org/#/docs/1.7/03
