动手学深度学习笔记04(上)

04数据操作

import torch

(1)张量表示一个数据组成的数组，这个数组可能有多个维度。

x=torch.arange(12)
x

tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

(2)通过shape来访问张量的形状和张量中元素的总数

x.shape

torch.Size([12])

(3)number of elements表示内存的大小

x.numel()

12

(4)要改变一个张量的形状而不改变元素数量和元素值，我们要调用reshape函数

x=x.reshape(3,4)
x

tensor([[ 0,  1,  2,  3],[ 4,  5,  6,  7],[ 8,  9, 10, 11]])

(5)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

torch.zeros((2,3,4))

tensor([[[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]],[[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]]])

torch.ones((2,3,4))

tensor([[[1., 1., 1., 1.],[1., 1., 1., 1.],[1., 1., 1., 1.]],[[1., 1., 1., 1.],[1., 1., 1., 1.],[1., 1., 1., 1.]]])

(6)通过提供包含数值的Python列表或者嵌套列表来为所需张量中的每个元素赋予确定值

torch.tensor([[2,1,4,3],[1,2,3,4],[4,3,2,1]])

tensor([[2, 1, 4, 3],[1, 2, 3, 4],[4, 3, 2, 1]])

（7）创建元素进行相应的运算

x=torch.tensor([1.0,2,4,8])
y=torch.tensor([2,2,2,2])
x+y,x-y,x*y,x/y,x**y

(tensor([ 3.,  4.,  6., 10.]),tensor([-1.,  0.,  2.,  6.]),tensor([ 2.,  4.,  8., 16.]),tensor([0.5000, 1.0000, 2.0000, 4.0000]),tensor([ 1.,  4., 16., 64.]))

torch.exp(x)  #指数运算

tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])

（8）我们这里把多个张量连结在一起

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),torch.cat((X,Y),dim=1)   #dim=0表示按行连接；dim=1表示按列连接

(tensor([[ 0.,  1.,  2.,  3.],[ 4.,  5.,  6.,  7.],[ 8.,  9., 10., 11.],[ 2.,  1.,  4.,  3.],[ 1.,  2.,  3.,  4.],[ 4.,  3.,  2.,  1.]]),tensor([[ 0.,  1.,  2.,  3.,  2.,  1.,  4.,  3.],[ 4.,  5.,  6.,  7.,  1.,  2.,  3.,  4.],[ 8.,  9., 10., 11.,  4.,  3.,  2.,  1.]]))

（9）通过逻辑运算符构建二元张量

X==Y

tensor([[False,  True, False,  True],[False, False, False, False],[False, False, False, False]])

对只有两种所有元素求和会产生一个只有一个元素的张量

X.sum()

tensor(66.)

(10)即使形状不同，我们可以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))
a,b

(tensor([[0],[1],[2]]),tensor([[0, 1]]))

a + b  #这里广播机制将a变成三行两列的部分，第一列加0；第二列加1

tensor([[0, 1],[1, 2],[2, 3]])

(11)选用元素，其中-1用于选用最后一个元素，[1:3]用于选用第二个和第三个元素

X[-1],X[1:3]

(tensor([ 8.,  9., 10., 11.]),tensor([[ 4.,  5.,  6.,  7.],[ 8.,  9., 10., 11.]]))

(12)索引元素进行修改

X[1,2]=9
X

tensor([[ 0.,  1.,  2.,  3.],[ 4.,  5.,  9.,  7.],[ 8.,  9., 10., 11.]])

(13)对多个元素进行相应的赋值

X[0:2,:]=12
X

tensor([[12., 12., 12., 12.],[12., 12., 12., 12.],[ 8.,  9., 10., 11.]])

（14）运行一些操作可能会导致为新结果分配内存

before=id(Y)
Y=Y+X
id(Y)==before

False

#执行原地操作
Z=torch.zeros_like(Y)#类型一样但全0
print('id(Z):',id(Z))
Z[:]=X+Y
print('id(Z):',id(Z))

id(Z): 2415349231888
id(Z): 2415349231888

#在后续计算中没有重复使用X，可以减少操作的内存开销
before=id(X)
X+=Y  #or X[:]=X+Y
id(X)==before

True

（15）转换为NUMPY张量

A=X.numpy()
B=torch.tensor(A)
type(A),type(B)

(numpy.ndarray, torch.Tensor)

将大小为1的张量转换为Python标量

a=torch.tensor([3.5])
a,a.item(),float(a),int(a)

(tensor([3.5000]), 3.5, 3.5, 3)