pytorch：张量
[[pytorch]]
基础知识
导入
首先，我们导入torch
请注意，虽然它被称为PyTorch，但是代码中使用torch而不是pytorch
import torch定义
张量表示一个由数值组成的数组，这个数组可能有多个维度
- 具有一个轴的张量：向量（vector）
- 具有两个轴的张量：矩阵（matrix）
- 具有两个轴以上的张量没有特殊的数学名称
初始化声明
torch提供的接口
使用 arange 创建
-
- x = torch.arange(12) - x - Copy to clipboard - tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])这个行向量包含以0开始的前12个整数，它们默认创建为整数
也可指定创建类型为浮点数
张量中的每个值都称为张量的 元素（element）
- 例如，张量 x 中有 12 个元素
除非额外指定，新的张量将存储在内存中，并采用基于CPU的计算
全1/全0初始化张量
-
全0
- 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.]]])
-
全1
- 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.]]])
随机/概率分布 初始化张量
-
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
- >>>>>>>>>>>>>>>>> - torch.randn(3, 4) - ______________________ - tensor([[-0.0135, 0.0665, 0.0912, 0.3212], - [ 1.4653, 0.1843, -1.6995, -0.3036], - [ 1.7646, 1.0450, 0.2457, -0.7732]])
使用包含数值的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
在这里，最外层的列表对应于轴0，内层的列表对应于轴1
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]])
属性
通过张量的shape属性来访问张量沿每个轴的长度
- x.shape如果只想知道，即形状的所有元素乘积，可以检查它的大小（size）
- 因为这里在处理的是一个向量，所以它的shape与它的size相同
通过张量的numel()属性来访问张量中元素的总数
- x.numel()变换
调用reshape函数改变一个张量的形状而不改变元素数量和元素值
-
例如，可以把张量x从形状为（12,）的行向量转换为形状为（3,4）的矩阵
这个新的张量包含与转换前相同的值，但是它被看成一个3行4列的矩阵
要重点说明一下，虽然张量的形状发生了改变，但其元素值并没有变
注意，通过改变张量的形状，张量的大小不会改变
X = x.reshape(3, 4)
X
Copy to clipboard
我们不需要通过手动指定每个维度来改变形状
幸运的是，我们可以通过-1来调用此自动计算出维度的功能
即我们可以用x.reshape(-1,4)或x.reshape(3,-1)来取代 x.reshape(3,4)
我的思考
### tenser加法存在的问题 ![[tenser加法存在的问题]]