动手学深度学习——数据操作

N维数组样例

N维数组是机器学习和神经网络的主要数据结构

创建数组

创建数组需要：

形状：例如3X4矩阵

每个元素的数据类型：例如32位浮点数

每个元素的值，例如全是0，或者随机数

访问元素

一个元素：[1,2]

一行：[1,:]

一列：[:,1]

子区域：[1:3,1:] 从第一行开始到三行开区间结束，从第一列开始拿到所有。

子区域：[::3,::2]双冒号是跳着访问，每三行一跳。每两列一跳。

 数据操作

"""
首先，我们应该导入torch。注意，虽然它被称为Pytorch，但我们应该导入torch而不是Pytorch。
"""
import torch
"""
张量表示一个数值组成的数组，这个数组可能有多个维度
"""
x=torch.arange(12)
print(x)
"""
我们可以通过张量的shape属性来访问张量的形状和张量中元素的总数
"""
print(x.shape)
print(x.numel())

"""
我们可以通过张量的shape属性来访问张量的形状和张量中元素的总数
"""
print(x.shape)
print(x.numel())
"""
要改变一个张量的形状而不改变元素数量和元素值，我们可以调用reshape函数
"""
x=x.reshape(3,4)
print(x)
"""
使用全0、全1、其他常量或者从特定分布中随机采样的数字
"""
x=torch.zeros((2,3,4))
print(x)
x=torch.ones((2,3,4))

"""
通过提供包含数值的python列表（或嵌套列表）来为所需张量中的每个元素赋予确定值
"""
x=torch.tensor([[2,1,4,3],[1,2,3,4],[4,3,2,1]])
print(x)

"""
常见的标准算术运算符（+、-、*、/、**）都可以被升级为按元素运算
"""
x=torch.tensor([1.0,2,4,8]) #1.0表示浮点数
y=torch.tensor([2,2,2,2])
print(x+y)
print(x-y)
print(x*y)
print(x/y)
print(x**y)#**运算符是求幂运算

"""
我们也可以把多个张量连接在一起
"""
X=torch.arange(12,dtype=torch.float32).reshape((3,4)) #代码的意思是随机生成一个12位的数组，然后改变形状变成3行4列
Y=torch.tensor([[2.0,1,4,3],[1,2,3,4],[4,3,2,1]])

print(torch.cat((X,Y),dim=0) )#dim=0 表示按行合并起来（添加记录）
print(torch.cat((X,Y),dim=1) )#dim=1 表示按列合并起来（拼接起来）

"""
通过逻辑运算符构建二元张量
"""
X=torch.arange(12,dtype=torch.float32).reshape((3,4)) #代码的意思是随机生成一个12位的数组，然后改变形状变成3行4列
Y=torch.tensor([[2.0,1,4,3],[1,2,3,4],[4,3,2,1]])
print(X==Y)
"""
对张量中的所有元素进行求和会产生一个只有一个元素的张量
"""
print(X.sum())
"""
即使形状不同，我们仍然可以通过调用广播机制来执行按元素操作
"""
a=torch.arange(3).reshape((3,1))
b=torch.arange(2).reshape((1,2))
print(a)
print(b)
print(a+b)

"""
可以用【-1】选择最后一个元素，可以用【1:3】选择第二个和第三个元素
"""
X=torch.arange(12,dtype=torch.float32).reshape((3,4)) #代码的意思是随机生成一个12位的数组，然后改变形状变成3行4列
print(X[-1])
print(X[1:3])
"""
除读取外，我们还可以通过指定索引来将元素写入矩阵
"""
X=torch.arange(12,dtype=torch.float32).reshape((3,4)) #代码的意思是随机生成一个12位的数组，然后改变形状变成3行4列
print(X)
X[1,2]=9
print(X)
"""
为多个元素赋值相同的值，我们只需要索引所有元素，然后为他们赋值
"""
X=torch.arange(12,dtype=torch.float32).reshape((3,4)) #代码的意思是随机生成一个12位的数组，然后改变形状变成3行4列
print(X)
X[0:2,:]=12 #第0行到第2行的所有元素赋值为12
print(X)
"""
运行一些操作可能会导致为新结果分配内存
"""
before=id(Y) #id表示唯一的标识号
Y=Y+X
print(id(Y)==before)
"""
执行原地操作
"""
Z=torch.zeros_like(Y)
print('id(Z):',id(Z))
Z[:]=X+Y
print('id(Z):',id(Z))
"""
如果在后续计算中没有重复使用X，我们也可以使用X[：]=X+Y或者X+=Y来减少操作的内存开销
"""
before=id(X) #id表示唯一的标识号
X+=Y
print(id(X)==before)
"""

"""
转换为numpy张量
"""
A=X.numpy()
B=torch.tensor(A)
print(type(A))
print(type(B))
"""
将大小为1的张量转换为python标量
"""
a=torch.tensor([3.5])
print(a)
print(a.item())
print(float(a))
print(int(a))