机器学习：pytorch框架（4）--张量操作和创建，实现一元线性回归

 学习记录总结专栏：机器学习：PyTorch框架-个人学习总结（专栏）https://blog.youkuaiyun.com/spiderb/category_12838886.html

---

1 前言

在（3）中，通过学习一个实例对pytorch框架有了一个初步认识，但如果想要对pytorch框架实现随心所欲的调整和运用，那就需要对一些基本内容有更加深入的理解和实操。所以基于框架核心的张量概念，做进一步的学习。

2 张量的操作（拼接、切分、索引和变换）

2.1 张量拼接

# （1）将张量按照维度dim进行拼接（不会扩展张量的维度）
torch.cat(
    tensors, # 张量序列
    dim=0, # 要拼接的维度
    out=None
)
# 示例
t = torch.ones((2,3))
t_cat0 = torch.cat([t,t],dim=0)
t_cat1 = torch.cat([t,t],dim=1)
print("t_cat0:{} shape:{}\n t_cat1:{} shape:{}".format(t_cat0,t_cat0.shape,t_cat1,t_cat1.shape))
# 输出结果
t_cat0:tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]]) shape:torch.Size([4, 3])
t_cat1:tensor([[1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1.]]) shape:torch.Size([2, 6])


# （2）在新创建的维度dim上进行拼接（会扩展张量的维度）
torch.stack(
    tensors, # 张量序列
    dim=0, # 要拼接的维度
    out=None
)
# 示例
t = torch.ones((2,3))
t_stack0 = torch.stack([t,t],dim=2)
print("t_stack0:{} shape:{}".format(t_stack0,t_stack0.shape))
# 输出结果
t_stack0:tensor([[[1., 1.],
         [1., 1.],
         [1., 1.]],

        [[1., 1.],
         [1., 1.],
         [1., 1.]]]) shape:torch.Size([2, 3, 2])

2.2 张量切分