pytorch的入门操作(1)

1.Tensor

a：各种数值数据都可已称为张量

b:常数：scaler：0阶张量

c：向量：vector：1阶张量

d：矩阵：matrix:2阶张量

e：3阶张量

2.张量的创建方式

 1.使用python中的列表或者序列来创建tensor

torch.tensor([[1., -1.], [1., -1.]])

2.使用numpy中的数组创建tensor

 torch.tensor(np.array([[1, 2, 3], [4, 5, 6]]))

3.使用torch的api创建tensor

（1）torch.empty（3， 4）创建三行四列的空的tensor，会用无用数据进行填充

（2）torch.ones([3, 4])创建三行四列的全为1的tensor

（3）torch.zeros([3, 4])创建三行四列的全为0的tensor

（4）torch.rand([3, 4])创建三行四列的随机值tensor 随机的去见识[0, 1)

（5）torch.randint(low=0, high=10,size=[3, 4])创建三行四列随机整数的tensor，随机值的区间是[low, high)   random + int  

（6）torch.randn([3, 4])创建三行四列的随机数的tensor，随机值的分布式均值为0，方差为1

3.pytorch中tensor的常用方法

张量的方法和属性

 （1）获取torch中的数据（当tensor中只有一个元素可用时）：torch.item()  # 用的非常多

        

 这里的t1=torch.Tensor([[[1]]]) 表示三阶 有几对中括号表示几阶

 两个元素的就会报错

（2）转化为numpy数组

直接变量名加.numpy()就行了  直接把tensor 转成np array

（3）获取形状：torch.size()  #注意和np的shape不同 要加（）

          

 

直接变量名加.size()  如果要获取某一维度上的形状 t2.size(-1)获取t2最后一个维度上的形状

（4）形状改变：torch.view((3, 4)) 类似numpy中的reshape 是一种浅拷贝，仅仅是形状发生变化

         乘积要想用 三行四列不能转化成三行六列 t2.view([2, -1]) -1表示根据前面数决定后面的数值 相当于自己跟你算 

        

 （5）获取维度torch.dim()   获取阶数 常数为0 向量1 矩阵2

         

（6）获取最大值最小值：tensor.max（） tensor.min（）

 （7）转置：tensor.t()   二维的时候 tansform就是转置

t1.transpose（0， 1） 交换 第一维度和第二维度的值 

t1.permute(1， 2， 0) 把原来的位置转换成现在的位置（维度变化）

         

怎么理解转置

t3 = torch.Tensor(np.arange(24).reshape（3，2， 4)) 怎么理解 3 2 4 三块 每块 两行四列