Pytorch 入门语法

import torch

x = torch.arange(12) # 创建⼀个⾏向量x。这个⾏向量包含从0开始的前12个整数
print(x.shape)  # 通过张量的shape属性来访问张量（沿每个轴的⻓度）的形状。
print(x.numel())  # 检查它的⼤小（size）

X = x.reshape(3,4)
print(X)

z = torch.zeros((2,3,4)) # 全零张量
print(z)

z1 = torch.ones((2,3,4)) # 全1张量
print(z1)

randomNumber = torch.randn(3,4) # 创建⼀个形状为（3,4）的张量。其中的每个元素都从均值为0、标准差为1的标准⾼斯分布（正态分布）中随机采样

print(torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])) # 给张量直接赋值

import torch

x= torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2,2,2,2])
print(x+y,x-y,x*y,x/y, x**y) # **运算符是求幂运算

print(torch.exp(x)) # 计算e的幂

X = torch.arange(12,dtype=torch.float32).reshape((3,4))
Y = torch.tensor([[2.0,1,4, 3],[1, 2, 3, 4], [4, 3, 2, 1]])

torch.cat((X,Y),dim=0) # 竖直连接，增加行。
torch.cat((X,Y),dim=1) # 横向连接，增加列

print(X == Y) # 结果为Ture 和 False

print(X.sum())  # 张量内元素求和
a = torch.arange(3).reshape((3,1))
b = torch.arange(2).reshape((1,2))

print(a,b)
print(a + b) # 沿着数组中⻓度为1的轴进⾏⼴播，矩阵a将复制列，矩阵b将复制⾏，然后再按元素相加。

print(X[-1],X[1:3]) # 索引和切片，与列表相似

X[1,2] = 9 # 指定索引来将元素写⼊矩阵。
print(X)

X[0:2,:] = 12 # 为多个元素赋值相同的值
print(X)


A =X.numpy() # 将深度学习框架定义的张量转换为NumPy张量（ndarray）
B = torch.tensor(A)
print(type(A), type(B))

a = torch.tensor([3.5])
print(a,a.item(), float(a), int(a)) #将⼤小为1的张量转换为Python标量