(1) Pytorch深度学习—数值处理

(1) Pytorch深度学习—数值处理

（1）Pytorch——数值处理

参考于李沐“动手学深度学习”系列以及网上各路大佬的博客资料，感谢大家的分享，如错改，如侵删。

torch中的数值处理

数值处理是深度学习中极其重要的一部分，张量（tensor）是后续进行处理和计算的基本单位。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。具有一个轴的张量对应数学上的向量（vector）；

 具有两个轴的张量对应数学上的矩阵（matrix）；具有两个轴以上的张量没有特殊的数学名称。

创建和初始化

话不多说我们直接上代码：

# 张量定义

x = torch.arange(12)

y = torch.zeros((2, 3, 4)) #定义全零/全一张量

z = torch.rand(3, 4) #正态分布随机定义tensor elements

# 改变张量形状

x.reshape(3, 4)

x.reshape(-1, 4) #通过-1可以实现形状的自动计算

tensor同样支持直接的+ - * / 甚至 == 运算符。我们也可以按某个指定轴将tensor联结到一起，代码如下。

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)

运行效果如图：

 tensor所有元素求和：X.sum()

索引和切片

torch中的索引和切片原则基本和python一致，就不赘述了，如果Python基础不好的同学可以看一下我主页的另一篇Python的博客。

 并且，numpy和torch定义的张量相互转换十分便捷：

A = 

X.numpy()

B = torch.tensor(A)