目录

03 安装

04 数据操作

1.数据操作

2.数据操作实现

03 安装

（安装过程约等于劝退过程，我用的是windows装的pytorch，所以没有受到困扰。。。） 

04 数据操作

1.数据操作

N维数组是机器学习和神经网络的主要数据结构

创建数组需要：

1.形状 ：例如3*4矩阵

2.每个元素的数据类型：例如32位浮点数

3.每个元素的值，例如全是0，或者随机数

访问元素： 

2.数据操作实现

张量表示一个数值组成的数组，这个数组可能有多个维度。

import torch

# 创建一个元素为0~11连续值的向量
x = torch.arange(12)

# 打印其形状
print(x.shape)

# 返回元素个数
print(x.numel())

# 改变形状，使其变成一个3行4列的矩阵
X = x.reshape(3, 4)
print(X)

# 创建一个元素全为0的张量
x = torch.zeros((2, 3, 4))
print(x)

# 创建一个元素全为1的张量
x = torch.ones((2, 3, 4))
print(x)

# 创建指定含有元素的张量
x = torch.tensor([[1, 2, 3, 4], [4, 3, 2, 1], [2, 3, 4, 2]])
print(x.shape)

# 进行两个张量之间的运算
x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
print(x+y, x-y, x*y, x/y, x**y)

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]])
print(x)
print(y)

# 分别按照不同的维度合并两个张量
print(torch.cat((x, y), dim=0))
print(torch.cat((x, y), dim=1))

# 判断元素中哪些相等
print(x == y)

# 求和
print(x.sum())

# 广播机制
a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
print(a)
print(b)
print(a + b)

# 打印某些元素
print(x[-1])
print(x[1:3])

x[1, 2] = 9
print(x)

x[0:2, :] = 12
print(x)

# 保持元素的存储空间不变
before = id(y)
y = y + x
print(id(y) == before)

z = torch.zeros_like(y)
print('id(z):', id(z))
z[:] = x + y 
print('id(z):', id(z))

before = id(x)
x += y
print(id(x) == before)

torch.Size([12])

12

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

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.]]])

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.]]])

torch.Size([3, 4])

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.])

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

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

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.]])

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

tensor(66.)

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

tensor([[0, 1]])

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

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

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

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

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

False

id(z): 1600446271136
id(z): 1600446271136

True

<class 'numpy.ndarray'>
<class 'torch.Tensor'>

3.5
3.5
3