日新月异 PyTorch - pytorch 基础: 张量的基础操作
示例如下:
basic\demo01.py
# 本例用于演示 torch 张量的基础操作，其操作与 numpy 基本相同（注：看本例之前先要把 numpy 弄懂）
# torch 可以支持在 gpu 上运算，而 numpy 只能在 cpu 上运算
import numpy as np
import torch
# python 列表，numpy 数组，torch 张量相互转换
def sample1():
# python 列表
a = [0,1,2]
print(a) # [0, 1, 2]
# python 列表转 numpy 数组
b = np.array(a)
print(b) # [0 1 2]
# python 列表转 torch 张量
c = torch.tensor(a)
print(c) # tensor([0, 1, 2])
# numpy 数组转 torch 张量
d = b.tolist()
print(d) # [0, 1, 2]
# numpy 数组转 torch 张量
e = torch.from_numpy(b)
print(e) # tensor([0, 1, 2], dtype=torch.int32)
# torch 张量转 python 列表
f = c.tolist()
print(f) # [0, 1, 2]
# torch 张量转 numpy 数组
g = c.numpy()
print(g) # [0 1 2]
# torch 张量的创建
def sample2():
# 创建 torch 张量
a = torch.Tensor([1,2,3])
print(a)
'''
tensor([1., 2., 3.])
'''
# 创建 torch 张量，并指定元素的数据类型
b = torch.tensor([1,2,3], dtype=torch.int32)
print(b)
'''
tensor([1, 2, 3], dtype=torch.int32)
'''
# 关于 zeros(), zeros_like(), ones(), ones_like(), arange(), linspace() 之类的函数用法与 numpy 一致（参见 /numpy/demo1.py 中的说明）
c = torch.zeros((2, 3), dtype=torch.int32)
print(c)
'''
tensor([[0, 0, 0],
[0, 0, 0]], dtype=torch.int32)
'''
# 创建一个 2 * 3 的随机数组，每个元素的值在 0 - 1 之间（左闭右开）
d = torch.rand(2, 3)
print(d)
'''
tensor([[0.9596, 0.0913, 0.8888],
[0.9932, 0.5563, 0.9348]])
'''
# 创建一个 2 * 3 的随机数组，生成的数据满足正态分布
e = torch.randn(2, 3)
print(e)
'''
tensor([[-0.7344, -0.7011, -0.3015],
[ 0.6692, -0.7376, -0.2654]])
'''
# 创建一个 2 * 5 的随机数组，生成的数据满足正态分布，且正态分布的均值为 0，标准差为 1
f = torch.normal(0, 1, size=(2, 5))
print(f)
'''
tensor([[ 0.5377, 0.4246, -0.3362, 1.1923, -1.4358],
[ 0.0945, -1.1919, -0.7694, 0.8314, 0.7839]])
'''
# 生成 0 - 10 之间（左闭右开）的数组，且顺序是随机的
g = torch.randperm(10)
print(g)
'''
tensor([9, 0, 6, 7, 3, 2, 5, 4, 8, 1])
'''
x = np.array(bytes("abcdefg", "utf-8"))
# 将二进制数据转换为 torch 张量
x1 = torch.frombuffer(x, dtype=torch.uint8)
print(x1) # tensor([ 97, 98, 99, 100, 101, 102, 103], dtype=torch.uint8)
# 将二进制数据转换为 torch 张量，offset 为数据读取的起始位置，count 为读取的数据量
x2 = torch.frombuffer(x, dtype=torch.uint8, offset=1, count=2)
print(x2) # tensor([98, 99], dtype=torch.uint8)
# torch 张量的属性，切片，索引
# 基本和 numpy 差不多，参见 /numpy/demo2.py 中的说明
def sample3():
a = torch.arange(24).reshape(2, 4, 3)
print(a)
'''
tensor([[[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]],
[[12, 13, 14],
[15, 16, 17],
[18, 19, 20],
[21, 22, 23]]])
'''
# ndim 张量的维度的个数，维度称之为 axis，维度的个数称之为 rank
print(a.ndim) # 3
# shape 张量的形状
print(a.shape) # torch.Size([2, 4, 3])
# dtype 张量元素的数据类型
print(a.dtype) # torch.int64
# 获取第 0 轴的位置 1 的数据
print(a[1])
'''
tensor([[12, 13, 14],
[15, 16, 17],
[18, 19, 20],
[21, 22, 23]])
'''
# 获取第 1 轴的位置 2 的数据
print(a[...,2])
'''
tensor([[ 2, 5, 8, 11],
[14, 17, 20, 23]])
'''
# torch 张量的运算，连接，分割
# 基本和 numpy 差不多，参见 /numpy/demo3.py 中的说明
def sample4():
a = torch.tensor([1, 2, 3])
print(a)
'''
tensor([1, 2, 3])
'''
b = torch.tensor([[2], [4], [6]])
print(b)
'''
tensor([[2],
[4],
[6]])
'''
# 不同形状的张量在进行运算时，会通过广播机制（broadcasting）扩展为合适形状的张量
print(a + b)
'''
tensor([[3, 4, 5],
[5, 6, 7],
[7, 8, 9]])
'''
c = torch.tensor([[1,2],[3,4]])
d = torch.tensor([[5,6],[7,8]])
# 沿着轴 0 连接两个数组，轴（axis）就是指的维度
# torch.cat(), torch.concat(), torch.concatenate() 是一样的
e = torch.cat((c,d), axis=0)
print(e)
'''
tensor([[1, 2],
[3, 4],
[5, 6],
[7, 8]])
'''
# torch 张量的形状变化（升维，降维，轴变换）
def sample5():
a = torch.arange(8)
print(a)
'''
tensor([0, 1, 2, 3, 4, 5, 6, 7])
'''
# 将一维张量的形状修改为 4 * 2
b = a.reshape(4,2)
print(b)
'''
tensor([[0, 1],
[2, 3],
[4, 5],
[6, 7]])
'''
# 将二维张量降维成一维张量
c = b.flatten()
print(c)
'''
tensor([0, 1, 2, 3, 4, 5, 6, 7])
'''
# torch.ravel() 将多维张量降级为一维张量，新张量中的元素通过指针引用原张量中的元素
d = torch.ravel(b)
print(d)
'''
tensor([0, 1, 2, 3, 4, 5, 6, 7])
'''
# 因为 torch.ravel() 做的是数据指针的复制，而不是数据的复制，所以新张量中的元素的变化会影响原张量，原张量中的元素的变化也会影响新张量
d[0] = 100
print(d)
'''
tensor([100, 1, 2, 3, 4, 5, 6, 7])
'''
print(b)
'''
tensor([[100, 1],
[ 2, 3],
[ 4, 5],
[ 6, 7]])
'''
# 交换 0 轴和 1 轴
e = torch.swapaxes(b, 0, 1)
print(e)
'''
tensor([[100, 2, 4, 6],
[ 1, 3, 5, 7]])
'''
# 升维，在指定的位置上添加轴
f = torch.unsqueeze(e, axis=2)
print(f)
'''
tensor([[[100],
[ 2],
[ 4],
[ 6]],
[[ 1],
[ 3],
[ 5],
[ 7]]])
'''
# 降维，删除指定位置的轴
g = torch.squeeze(f, axis=2)
print(g)
'''
tensor([[100, 2, 4, 6],
[ 1, 3, 5, 7]])
'''
# 经过上面一堆操作后，g 中的元素的地址已经是不连续的了
# contiguous() 可以将张量中的元素的地址变为连续的
h = g.contiguous()
# 修改张量的形状
# 与 reshape() 不同的是，view() 后的张量中的元素会通过指针引用原张量中的元素。另外只用张量中的元素地址是连续的，才能使用 view()
i = h.view(8)
print(i)
'''
tensor([100, 2, 4, 6, 1, 3, 5, 7])
'''
# 因为 view() 后的张量中的元素会通过指针引用原张量中的元素，所以新张量中的元素的变化会影响原张量，原张量中的元素的变化也会影响新张量
h[0] = torch.tensor([0, 0, 0, 0])
print(i)
'''
tensor([0, 0, 0, 0, 1, 3, 5, 7])
'''
# torch 张量的常用函数
# torch.sin(), torch.cos(), torch.tan(), torch.floor(), torch.ceil(), torch.min(), torch.max() 之类的用法和 numpy 差不多，参见 /numpy/demo5.py 中的说明
def sample6():
a = torch.tensor([[1,2,3],[2,3,4]])
print(a)
'''
tensor([[1, 2, 3],
[2, 3, 4]])
'''
# 张量 a 中，如果元素的值 > 0.5，则元素值变为原值 + 100，否则元素值变为原值 + 10
b = torch.where(a > 2, a + 100, a + 10)
print(b)
'''
tensor([[ 11, 12, 103],
[ 12, 103, 104]])
'''
# 去重并降至一维
c = torch.unique(a)
print(c)
'''
tensor([1, 2, 3, 4])
'''
# 取平均值
print(torch.tensor([1.0,2.0,3.0,4.0]).mean())
'''
tensor(2.5000)
'''
if __name__ == '__main__':
# python 列表，numpy 数组，torch 张量相互转换
sample1()
# torch 张量的创建
sample2()
# torch 张量的属性，切片，索引
sample3()
# torch 张量的运算，连接，分割
sample4()
# torch 张量的形状变化（升维，降维，轴变换）
sample5()
# torch 张量的常用函数
sample6()
# 当前环境是否支持 cuda
if torch.cuda.is_available():
a = torch.tensor([1,2,3])
# 后续关于此张量的计算都会在 gpu 上运行
a = a.cuda()
print(a.device) # cuda:0
# 原来在 gpu 上运行的张量改在 cpu 上运行
a = a.cpu()
print(a.device) # cpu
# 可以指定在哪个 gpu 上运行
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
a = a.to(device)
print(a.device) # cuda:0
标签：tensor,dtype,torch,PyTorch,张量,pytorch,print,numpy From： https://www.cnblogs.com/webabcd/p/18429166/pytorch_basic_demo01