一、数据操作
在PyTorch中，torch.Tensor是存储和变换数据的主要工具。
"tensor"这个单词一般可译作“张量”，张量可以看作是一个多维数组。标量可以看作是0维张量，向量可以看作1维张量，矩阵可以看作是二维张量。
1、torch.arange() 和torch.linspace
# arange(s, e, step) => 从s到e，步长为stepx8 = torch.arange(1, 10, 2)# print(x8)# linspace(s, e, steps) => 从s到e，均匀切分成steps份x9 = torch.linspace(2,8,3)# print(x9)
2、torch.range() 和torch.arange() 的区别
>>> y=torch.range(1,6)>>> ytensor([1., 2., 3., 4., 5., 6.])>>> y.dtypetorch.float32>>> z=torch.arange(1,6)>>> ztensor([1, 2, 3, 4, 5])>>> z.dtypetorch.int64
3、torch.randn与torch.rand的区别
randn
torch.randn(*sizes, out=None) → Tensor
返回一个包含了从标准正态分布中抽取的一组随机数的张量
size：张量的形状
out：结果张量
rand
torch.rand(*sizes, out=None) → Tensor
返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数
4、NumPy数组与Tensor的互相转换（共享内存）
NumPy转Tensor：torch.from_numpy()
Tensor转NumPy：numpy()
另：可以使用 torch.tensor() 将NumPy数组转换成Tensor，但不再共享内存
5、Tensor on GPU
if torch.cuda.is_available():device = torch.device("cuda")# GPUy = torch.ones_like(x, device=device) # 直接创建一个在GPU上的Tensorx = x.to(device) # 等价于 .to("cuda")z = x + yprint(z)print(z.to("cpu", torch.double)) # to()还可以同时更改数据类型
6、索引
索引出来的结果与元数据共享内存
x = torch.tensor([[1, 2, 3], [4, 5, 6]])print(x)y = x[0, :] # 取出第一行print(y)y += 1print(y)print(x[0, :]) # 源tensor也被改了
输出
tensor([[1, 2, 3],[4, 5, 6]])tensor([1, 2, 3])tensor([2, 3, 4])tensor([2, 3, 4])
7、广播机制
当对两个形状不同的Tensor按元素运算时，可能会触发广播（broadcasting）机制：先适当复制元素使这两个Tensor形状相同后再按元素运算
x = torch.arange(1, 3).view(1, 2)print(x)y = torch.arange(1, 4).view(3, 1)print(y)print(x + y)
输出
tensor([[1, 2]])tensor([[1],[2],[3]])tensor([[2, 3],[3, 4],[4, 5]])
