1-1数据操作

数据操作

为了能够完成各种数据操作，我们需要某种方法来存储和操作数据。 通常，我们需要做两件重要的事：（1）获取数据；（2）将数据读入计算机后对其进行处理。 如果没有某种方法来存储数据，那么获取数据是没有意义的。

​ n维数组，也称为张量（tensor）。

入门

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。
张量中的每个值都称为张量的元素

###使用arange创建一个行向量x
import torch

x = torch.arange(12)
print(x)

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

通过张量的shape属性来访问张量（沿每个轴的长度）的形状 
import torch

x = torch.arange(12)
print(x)

print(x.shape)

-----
torch.Size([12])

###如果只想知道张量中元素的总数，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。

import torch

x = torch.arange(12)
print(x)

print(x.numel())

----

12

要想改变一个张量的形状而不改变元素数量和元素值，可以调用reshape函数。

###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。
###注意，通过改变张量的形状，张量的大小不会改变。

import torch
x = torch.arange(12)
y = x.reshape(3,4)
print(y)

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

###可以通过-1来调用此自动计算出维度的功能。
import torch
x = torch.arange(12)
y = x.reshape(-1,4)
z = x.reshape(3,-1)
print(y)
print(z)

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

###创建2个 全0的 3行4列 张量(2,3,4)

import torch
x = torch.zeros((2,3,4))
print(x)

----
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.]]])

###创建一个形状为(2,3,4)的张量，其中所有元素都设置为1
import torch
x = torch.ones((2,3,4))
print(x)

----
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.]]])

随机初始化参数的值。
###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。

import torch
x = torch.randn((3,4))
print(x)

-----
tensor([[-0.6214,  1.1524,  0.4670, -0.5937],
        [-0.5564, -0.4070, -0.1200, -0.6310],
        [-0.4874, -0.4785, -0.9500, -0.3867]])

###通过提供包含数值的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。
import torch
x = torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
print(x)

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

运算符

###对于任意具有相同形状的张量， 常见的标准算术运算符（+、-、*、/和**）都可以被升级为按元素运算。
###可以在同一形状的任意两个张量上调用按元素操作。

import torch
x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
print(x+y)
print(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.])

###可以把多个张量连结（concatenate）在一起， 把它们端对端地叠起来形成一个更大的张量。
###只需要提供张量列表，并给出沿哪个轴连结。
###沿行（轴-0，形状的第一个元素） 和按列（轴-1，形状的第二个元素）连结两个矩阵
###第一个输出张量的轴-0长度（6）是两个输入张量轴-0长度的总和（3+3）3行+3行
###第二个输出张量的轴-1长度（8）是两个输入张量轴-1长度的总和(4+4) 4行+4行

import torch

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(torch.cat((X, Y), dim=0))
print(torch.cat((X, Y), dim=1))

----
tensor([[ 0.,  1.,  2.,  3.],	###X的值
        [ 4.,  5.,  6.,  7.],	###X的值
        [ 8.,  9., 10., 11.],	###X的值
        [ 2.,  1.,  4.,  3.],	###Y的值
        [ 1.,  2.,  3.,  4.],	###Y的值
        [ 4.,  3.,  2.,  1.]])	###Y的值
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.]])
        ###X的值				###Y的值

###通过逻辑运算符构建二元张量
####若X和Y在该位置相等，则新张量中相应项的值为1，为真 否则为0

import torch

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 == Y)

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

###对张量中的所有元素进行求和，会产生一个单元素张量。
import torch

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.sum())

----
tensor(66.)

广播机制

在某些情况下，即使形状不同，我们仍然可以通过调用 广播机制（broadcasting mechanism）来执行按元素操作。

工作方式

1. 通过适当复制元素来扩展一个或两个数组，以便在转换之后，两个张量具有相同的形状；
2. 对生成的数组执行按元素操作。

import torch

a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
print(a)
print(b)

print(a + b)

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

tensor([[0, 1],
        [1, 2],
        [2, 3]])
        
###由于a和b分别是3x1和1x2矩阵，如果让它们相加，它们的形状不匹配。 我们将两个矩阵广播为一个更大的3x2矩阵，
###矩阵a将复制列， 矩阵b将复制行，然后再按元素相加。
tensor([[0,0],
        [1,1],
        [2,2]])
tensor([[0, 1],
		[0, 1],
		[0, 1]])

索片和切片

张量中的元素也可以通过索引访问。

import torch

X = torch.arange(12, dtype=torch.float32).reshape((3,4))
print(X)

print("索引访问：")
print(X[-1])	##选取最后一个元素
print(X[1:3])	##选择第二个和第三个元素

---
tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.]])
索引访问：
tensor([ 8.,  9., 10., 11.])
tensor([[ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.]])

指定索引来将元素写入矩阵

import torch

X = torch.arange(12, dtype=torch.float32).reshape((3,4))
print(X)

print("更改：")
X[1,2] = 9
print(X)

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

###如果我们想为多个元素赋值相同的值，我们只需要索引所有元素，然后为它们赋值
###[0:2, :]访问第1行和第2行，其中“:”代表沿轴1（列）的所有元素。

import torch

X = torch.arange(12, dtype=torch.float32).reshape((3,4))
print(X)

print("更改：")
X[0:2,:] = 12
print(X)

----
tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.]])
更改：
tensor([[12., 12., 12., 12.],
        [12., 12., 12., 12.],
        [ 8.,  9., 10., 11.]])

转换为其他Python对象

### torch张量和numpy数组将共享它们的底层内存，就地操作更改一个张量也会同时更改另一个张量。

import torch

X = torch.arange(12, dtype=torch.float32).reshape((3,4))
A = X.numpy()
B = torch.tensor(A)
print(type(A))
print(type(B))

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

将大小为1的张量转换为Python标量，我们可以调用item函数或Python的内置函数。

import torch

a = torch.tensor([3.5])
print(a)

print(a.item())
print(float(a))
print(int(a))

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

深度学习存储和操作数据的主要接口是张量（n维数组）。它提供了各种功能，包括基本数学运算、广播、索引、切片、内存节省和转换其他Python对象。