[深度学习]搭建开发平台及Tensor基础
一、实验目的
1. 掌握Windows下PyTorch 深度学习环境的配置
2. 掌握一种PyTorch开发工具
3. 理解张量并掌握Tensor的常用操作（创建、调整形状、加、减、乘、除、取绝对值、比较操作、数理统计操作
4. 掌握Tensor与Numpy的互相转换操作
5. 掌握Tensor 的降维和增维操作
6. 掌握Tensor 的裁剪、索引操作
7. 掌握cuda()函数
二、实验内容
1. 在Windows或Linux下配置PyTorch 深度学习环境
2. 掌握一种Deep Learning开发工具
3. 张量的创建、调整形状、加减乘除、取绝对值操作、比较、数理统计操作、与Numpy的互相转换、降维和增维、裁剪、索引，把Tensor 移到GPU上去。
三、主要实验步骤及结果
1. 要定义一个64位浮点型Tensor，其值是矩阵：[[1,2],[3,4],[5,6]]，并输出结果。
源码：
import torchx=torch.DoubleTensor([[1,2],[3,4],[5,6]])print(x)结果：
2. 创建一个张量a，元素全部是1，尺寸为2×3。并打印出来。
源码：
import torcha=torch.ones(2,3)print(a)结果：
3. 创建一个张量b，元素全部是0，尺寸为2×3。并打印出来。
源码：
import torchb=torch.zeros(2,3)print(b)结果：
4.创建一个张量c，对角线元素全部是1,尺寸为3×3。并打印出来。
源码：
import torchc=torch.eye(3,3)print(c)结果：
5.创建一个张量d，随机生成的浮点数的取值满足均值为0、方差为1的正太分布， 尺寸为2×3。并打印出来。
源码：
import torchd=torch.randn(2,3)print(d)结果：
6.创建一个张量e，长度为5的随机排列。并打印出来。
源码：
import torche=torch.randperm(5)print(e)结果：
7.创建一个张量f，从1开始到7结束，步长为2。并打印出来。
源码：
import torchf=torch.arange(1,8,2)print(f)结果：
8.要定义一个16位整型Tensor，其值是矩阵：[[1,2],[3,4],[5,6]] ，并输出结果。
源码：
import torchx=torch.tensor([[1,2],[3,4],[5,6]],dtype=torch.int16)print(x)结果：
9.构造一个3x2矩阵，不初始化，并输出结果。
源码：
import torchx=torch.empty(3,2)print(x)结果：
10.构造一个3*2的随机初始化的矩阵，并输出结果。
源码：
import torchx=torch.rand(3,2)print(x)结果：
11. 构造一个矩阵全为 0，而且数据类型是 long,并输出结果。
源码：
import torchx=torch.zeros(4,3,dtype=torch.long)print(x)结果：
12.构造一个数据类型是 long的全0的3*2矩阵，并输出结果。
源码：
import torchx=torch.zeros(3,2,dtype=torch.long)print(x)结果：
13.构造一个值为[1.5, 2]的张量，并输出结果。
源码：
import torchx=torch.tensor([1.5,2])print(x)结果：
14. 根据给出的输入，得到输出，并记录。
输入：
import torch as t
c = t.Tensor(3,2)
print(c)
输出：
15. 根据给出的输入，得到输出，并记录。
输入：
import torch as t
d = t.Tensor(3,2)
e = t.Tensor(d.size( ))
print(e)
输出：
16.以下每个函数以size=2*3为例，写出输入及输出。
- torch.empty(size)返回形状为size的空tensor
- torch.zeros(size)全部是0的tensor
- torch.zeros_like(input)返回跟input的tensor一个size的全零tensor
- torch.ones(size)全部是1的tensor
- torch.ones_like(input)返回跟input的tensor一样size的全tensor
- torch.rand(size) [0,1)内的均匀分布随机数
输入：
import torch as tsize=(2,3)input=t.tensor([[1, 2, 3], [4, 5, 6]])a=t.empty(size)b=t.zeros(size)c=t.zeros_like(input)d=t.ones(size)e=t.ones_like(input)f=t.rand(size)print(a,'\n',b,'\n',c,'\n',d,'\n',e,'\n',f)输出：
17.创建一个二阶张量，长度为8，元素为[0,1,2,3,4,5,6,7]，将其改编成形状为2*4的张量。
源码：
import torchx=torch.tensor([0,1,2,3,4,5,6,7])y=x.view(2,4)print(y)结果：
18. a = torch.Tensor([[2,2],[1,4]])
b = torch.Tensor([[3,5],[7,4]])
实现求a与b乘积的操作，并输出结果。
源码：
import torcha=torch.tensor([[2,2],[1,4]])b=torch.tensor([[3,5],[7,4]])x=torch.matmul(a,b)print(x)结果：
19.有两个张量a = [1, 2]，b = [3, 4]，比较两张量大小。
源码：
import torcha=torch.tensor([1,2])b=torch.tensor([3,4])if torch.all(torch.gt(a,b)):print("a>b")elif torch.all(torch.lt(a,b)):print("a<b")else:print("a=b")结果：
20.求出张量 a =([2,8])的均值。
源码：
import torcha=torch.tensor([2,8],dtype=torch.float32)mean_a=torch.mean(a)print(mean_a)结果：
21.计算Tensor：[-1.2027, -1.7687, 0.4412, -1.3856]的tan( )值
源码：
import torchx=torch.tensor([-1.2027,-1.7687,0.4412,-1.3856])y=torch.tan(x)print(y)结果：
22. 写出下面程序的结果，并写出注释语句含义。
输入：
import torch
a = torch.arange(4.)
print(torch.reshape(a, (2, 2)))
b = torch.tensor([[0, 1], [2, 3]])
print( torch.reshape(b, (-1,))) #将二维张量b的形状改为一维张量，元素顺序不变
输出：
23. 写出下面程序的结果，并写出注释语句含义。
输入：
import torch
x = torch.randn(3, 4)
print(x)
mask = x.ge(0.5)
print(mask)
print(torch.masked_select(x, mask)) # 根据掩码（大于等于0.5）选择张量中的对应元素并打印出来
输出：
24. 写出下面程序的结果，并写出注释语句含义。
输入：
import torch
x = torch.randn(2, 3)
print( x)
print(torch.cat((x, x, x), 0)) #将张量x沿着第0维方向进行拼接，即按照行方向进行拼接并打印拼接后的张量内容
输出：
25. 写出下面程序的结果，并写出注释语句含义。
输入：
import torch
print(torch.eye(3)) # 打印3*3的单位矩阵
输出：
26. 写出下面程序的结果，并写出注释语句含义。
输入：
import torch
print(torch.range(1, 4))
print(torch.range(1, 4, 0.5)) #打印从1到4的浮点数序列的张量，步长为0.5
输出：
27. 写出下面程序的结果，并写出注释语句含义。
输入：
import torch
a = torch.randn(4, 4)
print(a)
b = torch.randn(4)
print(b)
print(torch.div(a, b)) #对张量a和张量b进行逐元素的除法运算，并打印出结果张量
输出：
28. 写出下面程序的结果，并写出注释语句含义。
输入：
import torch
exp = torch.arange(1., 5.)
base = 2
print(torch.pow(base, exp)) # 计算并打印2的exp中各个元素对应的次方值
输出：
29. 写出下面程序的结果，并写出注释语句含义。
输入：
import torch
a = torch.randn(4)
print(a)
print(torch.round(a)) # 打印张量中的各个元素四舍五入最接近的整数值
输出：
30. 写出下面程序的结果，并写出注释语句含义。
输入：
import torch
a = torch.randn(4)
print(a)
print( torch.sigmoid(a)) #打印张量中每个元素通过Sigmoid激活函数转换后的结果
输出：
31. 写出下面程序的结果，并写出注释语句含义。
输入：
import torch
a = torch.tensor([0.7, -1.2, 0., 2.3])
print(a)
print(torch.sign(a)) # 输出张量通过sign函数转换为其符号对应的数值
输出：
32. 写出下面程序的结果，并写出注释语句含义。
输入：
import torch
a = torch.randn(4)
print(a)
print(torch.sqrt(a)) # 输出张量中每个元素的开平方根
输出：
33. 写出下面程序的结果，并写出注释语句含义。
输入：
import torch
a = torch.randn(1, 3)
print(a)
print(torch.sum(a)) # 打印张量中所有元素的和
输出：
34. 写出下面程序的结果，并写出注释语句含义。
输入：
import torch
a = torch.randn(4)
print(a)
b = torch.randn(4)
print(b)
print(torch.max(a, b)) # 比较两个张量中对应位置的元素，并返回一个新的张量，其中新的张量中为相应位置的最大值，并打印结果
输出：
35. 写出以下输入的输出。
输入：
import torch
a = torch.zeros(2, 1, 2, 1, 2)
print("a =",a)
print("a.size( ) =",a.size( ))
b = torch.squeeze(a)
print("b =",b)
print("b.size( ) =",b.size( ))
c = torch.squeeze(a, 0)
print("c =",c)
print("c.size( ) =",c.size( ))
d = torch.unsqueeze(c, 1)
print("d =",d)
print("d.size( ) =",d.size( ))
输出：
36. 查资料，说明torch.mul( ) 和 torch.mm( ) 的区别，并输出以下程序结果。
输入：
import torch
a = torch.rand(1, 2)
b = torch.rand(1, 2)
c = torch.rand(2, 3)
print(torch.mul(a, b))
print(torch.mm(a, c))
print(torch.mul(a, c))
输出：
使用torch.mul()函数计算的是两个形状相同的张量a和b的元素对应相乘的结果，但是张量a和c的形状不兼容，进行运算时会报错；使用torch.mm()计算矩阵乘法，要求第一个矩阵的列数等于第二个矩阵的行数。
四、实验总结
实验错误截图如下：
1.如下图，图中的错误为在调用pytorch的DoubleTensor函数时，不符合语法规范
2.如下图，在比较两个张量时，不能直接使用大于、小于或等于运算符。可以使用PyTorch提供的函数来进行逐元素的比较，使用torch.gt()、torch.lt()和torch.eq()函数分别进行大于、小于和等于的比较。
3.如下图，在计算张量均值时，输入的数据类型不是浮点数或复数会报错。代码中输入的张量 a 是一个整数类型的张量，我们需要将张量转换为浮点数类型，然后再计算均值。
4.如下图，报错的原因是在计算矩阵元素乘法时，两个矩阵的维度不匹配导致无法进行张量的计算。
