关于深度学习的基础的Python知识（PyTorch)

关于深度学习的基础的Python知识（PyTorch)

---

一、概念：张量

1、张量的定义：

张量是矩阵的扩展与延伸，可以认为是高阶的矩阵。1阶张量为向量，2阶张量为矩阵。张量是类似于Numpy的多维数组(ndarray)的概念，可以具有任意多的维度。

（图片来自邱锡鹏老师和飞桨的《神经网络与深度学习：案例与实践》）

2、个人理解：

张量是用向量组成的维度空间的实体，可以很方便地存放各式各样的信息。

二.、使用PyTorch实现张量运算

首先导入torch：

import torch

1、创建张量

（1）以指定数据创建张量（以三阶张量为例）

# 创建一个三阶张量（指定数据创建张量）
ndim_1_Tensor = torch.tensor([[[1, 9], [6, 3]], [[0, 1], [2, 8]]])
print(ndim_1_Tensor)

运行结果：

（2）指定形状创建张量

# 指定形状创建
size = ndim_1_Tensor.size()
zero_Tensor = torch.zeros(size)  # 全零张量
print(zero_Tensor)
one_Tensor = torch.ones(size)  # 全一张量
print(one_Tensor)
full_Tensor = torch.full(size, 10)  #指定数据
print(full_Tensor)

运行结果：

2、张量的属性

（1）张量的形状属性

张量具有如下形状属性：

• Tensor.ndim：张量的维度，例如向量的维度为1，矩阵的维度为2。
• Tensor.shape： 张量每个维度上元素的数量。
• Tensor.shape[n]：张量第n维的大小。第n维也称为轴（axis）。
• Tensor.numel()：张量中全部元素的个数。（paddle中为Tensor.size）

（图片来自邱锡鹏老师和飞桨的《神经网络与深度学习：案例与实践》）

创建如图张量：

ndim_4_Tensor = torch.ones([2, 3, 4, 5])  # 创建一个每个维度的宽度分别为2，3，4，5的4维张量

打印出此向量的shape、ndim、shape[n]、numel()属性：

# 打印出此向量的`shape`、`ndim`、`shape[n]`、`numel()`属性
print("shape:", ndim_4_Tensor.shape)
print("ndim:", ndim_4_Tensor.ndim)
print("shape[2]:", ndim_4_Tensor.shape[1])
print("numel:", ndim_4_Tensor.numel())

运行结果：

（2）张量形状的改变

在实际使用中，还可以通过使用torch.reshape接口来改变张量的形状：

ndim_3_Tensor = torch.tensor([[[1, 2, 3, 4, 5],
                               [6, 7, 8, 9, 10]],
                              [[11, 12, 13, 14, 15],
                               [16, 17, 18, 19, 20]],
                              [[21, 22, 23, 24, 25],
                               [26, 27, 28, 29, 30]]])
print("shape:", ndim_3_Tensor.shape)
# 改变数据形状
reshape_Tensor = torch.reshape(ndim_3_Tensor, [2, 5, 3])
print("After reshape:", reshape_Tensor)

运行结果：

可以看到，通过此接口改变张量的形状后，张量内部的数据顺序是不变的。

除使用torch.reshape进行张量形状的改变外，还可以通过torch.unsqueeze将张量中的某一维度中插入尺寸为1的维度：

ones_Tensor = torch.ones([5, 10])
new_Tensor1 = torch.unsqueeze(ones_Tensor, dim=0)
print('new shape: ', new_Tensor1.shape)

运行结果

其他技巧：

将reshape值设为-1，使张量变为一维：

new_Tensor1