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)
)
)
