Pytorch（一） —— 基本语法

Pytorch（一） —— 基本语法

• 1.基本数据类型
• • 1.1 torch.FloatTensor与torch.cuda.FloatTensor
  • 1.2 torch.DoubleTensor与torch.cuda.DoubleTensor
  • 1.3 torch.IntTensor与torch.cuda.IntTensor
  • 1.4 torch.LongTensor与torch.cuda.LongTensor
  • 1.5 torch.BoolTensor与torch.cuda.BoolTensor
• 2 Tensor创建的常用操作
• • 2.1 判断是否为本机是否有可用的GPU资源
  • 2.2 CPU类型数据转换为GPU类型数据
  • 2.3 获取Tensor的形状
  • 2.4 将numpy格式的数据转换为Tensor格式
  • 2.4 将List格式的数据转换为Tensor格式
  • 2.5 创建未初始化的Tensor
  • 2.6 设置Tensor的默认格式
  • 2.7 创建均匀分布与纯整数Tensor
  • 2.8 创建正态分布的Tensor
  • 2.9 创建元素全相同的Tensor
  • 2.10 torch.arange()
  • 2.10 torch.linespace()
  • 2.10 torch.logspace()
  • 2.11 torch.ones / .zeros / eye
  • 2.12 随机打散
• 3. 索引与切片
• • 3.1 对指定维度进行索引
  • 3.2 使用...进行索引
  • 3.3 使用masked_select进行索引
• 4. 维度变换
• • 4.1 torch.view() / reshape()
  • 4.2 添加一个维度torch.unsqueeze()
  • 4.3 减少一个维度torch.squeeze()
  • 4.4 broadcasting：使用expand方法
  • 4.4 内存复制：使用repeat方法
  • 4.5 维度交换与转置：使用transpose和permute方法

1.基本数据类型 1.1 torch.FloatTensor与torch.cuda.FloatTensor

• torch.FloatTensor为CPU上的数据类型
• torch.cuda.FloatTensor为GPU上的数据类型
  

1.2 torch.DoubleTensor与torch.cuda.DoubleTensor

1.3 torch.IntTensor与torch.cuda.IntTensor

1.4 torch.LongTensor与torch.cuda.LongTensor

1.5 torch.BoolTensor与torch.cuda.BoolTensor

2 Tensor创建的常用操作 2.1 判断是否为本机是否有可用的GPU资源

2.2 CPU类型数据转换为GPU类型数据

• 使用数据的.cuda()方法
  

2.3 获取Tensor的形状

• 使用.shape属性
• 使用.size()方法
  

2.4 将numpy格式的数据转换为Tensor格式

2.4 将List格式的数据转换为Tensor格式

2.5 创建未初始化的Tensor

• torch.empty()
• torch.FloatTensor(d1,d2,d3)
  

2.6 设置Tensor的默认格式

• torch.set_default_tensor_type
  

2.7 创建均匀分布与纯整数Tensor

• 均匀分布：torch.rand() / torch.rand_like()
• 纯整数: torch.randint() / torch.randint_like()
  

2.8 创建正态分布的Tensor

• torch.randn()
• torch.normal()
  
  

2.9 创建元素全相同的Tensor

• torch.full()
  

2.10 torch.arange()

2.10 torch.linespace()

2.10 torch.logspace()

• 创建对数均分的1维Tensor
  

2.11 torch.ones / .zeros / eye

2.12 随机打散

• torch.randperm 随机打乱一个数字序列

3. 索引与切片 3.1 对指定维度进行索引

• Tensor.index_select()
  

3.2 使用…进行索引

3.3 使用masked_select进行索引

• torch.masked_select()
• Tensor.ge() 是否大于某个数值
  

4. 维度变换 4.1 torch.view() / reshape()

• torch.view() 将数据以某种排列方式展示给我们，不改变存储区的真实数据，只改变头信息区，数据存储不连续是不能使用 view() 方法的。
• torch.reshape()，当 tensor 满足连续性要求时，reshape() = view()，和原来 tensor 共用存储区 当 tensor；不满足连续性要求时，reshape() = **contiguous() + view()，会产生新的存储区的 tensor，与原来tensor 不共用存储区。
  
  

4.2 添加一个维度torch.unsqueeze()

4.3 减少一个维度torch.squeeze()

4.4 broadcasting：使用expand方法

• 函数对返回的张量不会分配新内存，即在原始张量上返回只读视图，返回的张量内存是不连续的
  

4.4 内存复制：使用repeat方法

• 与torch.expand不同的是torch.repeat返回的张量在内存中是连续的

4.5 维度交换与转置：使用transpose和permute方法

• .t() 为二维矩阵转置
• .transpose() 交换任意两个维度的顺序
• .permute() 任意交换维度顺序
  

by CyrusMay 2022 06 25