Pytorch学习笔记（一）——数据操作（基础运算、拼接）

本文链接：https://blog.youkuaiyun.com/m0_58257090/article/details/134656541

本文介绍了PyTorch中的基本运算，如加减乘除和幂次运算，展示了如何使用`torch.tensor`创建张量以及`torch.exp()`求指数。此外，还详细讲解了`torch.cat()`函数在不同维度上的拼接，包括广播机制在处理形状不同的张量时的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Pytorch基础运算

加 + 、减 - 、乘 * 、幂次 **

x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
x + y, x - y,x * y, x / y, x ** y # **运算符是求幂级

out:
(tensor([ 3.,  4.,  6., 10.]),
 tensor([-1.,  0.,  2.,  6.]),
 tensor([ 2.,  4.,  8., 16.]),
 tensor([0.5000, 1.0000, 2.0000, 4.0000]),
 tensor([ 1.,  4., 16., 64.]))

torch.exp() 是求e的指数

torch.exp(x)

out：
    tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])

torch.cat(inputs, dim = ?) 是对张量进行维度上的拼接

X = torch.arange(12, dtype = torch.float32).reshape((3,2,2))
Y = torch.tensor([[[2.0, 1],[1, 2]],[[4, 3],[1,2]],[[3.,5],[1,3]]])
torch.cat((X, Y), dim = 0), torch.cat((X, Y),dim = 1),torch.cat((X,Y), dim = 2)

dim = 0:
(tensor([[[ 0.,  1.],
          [ 2.,  3.]],
 
         [[ 4.,  5.],
          [ 6.,  7.]],
 
         [[ 8.,  9.],
          [10., 11.]],
 
         [[ 2.,  1.],
          [ 1.,  2.]],
 
         [[ 4.,  3.],
          [ 1.,  2.]],
 
         [[ 3.,  5.],
          [ 1.,  3.]]]),
dim = 1:
tensor([[[ 0.,  1.],
          [ 2.,  3.],
          [ 2.,  1.],
          [ 1.,  2.]],
 
         [[ 4.,  5.],
          [ 6.,  7.],
          [ 4.,  3.],
          [ 1.,  2.]],
 
         [[ 8.,  9.],
          [10., 11.],
          [ 3.,  5.],
          [ 1.,  3.]]]),
dim = 2:
tensor([[[ 0.,  1.,  2.,  1.],
          [ 2.,  3.,  1.,  2.]],
 
         [[ 4.,  5.,  4.,  3.],
          [ 6.,  7.,  1.,  2.]],
 
         [[ 8.,  9.,  3.,  5.],
          [10., 11.,  1.,  3.]]]))

dim的取值在0到（最大维度-1）之间，也可取负（-最大维度）至-1，其中dim = （-最大维度）等价与dim = 0。

也就是张量维度为3，dim最大可取2。正如上述代码中，因为构建的矩阵维度为三维，若dim = 3 则会报错。

以上述代码为例，dim = 0，则矩阵在第一个维度上拼接，（3，2，2）->（6，2，2）;

dim = 1，则在第二个维度上拼接，（3，2，2）->（3，4，2）;dim = 2，同理。

另外，即使两个矩阵的形状不同，也可通过广播机制来执行元素操作。

input:
a = torch.arange(3).reshape((3,1))
b = torch.arange(2).reshape((1,2))
a,b

out:
(tensor([[0],
         [1],
         [2]]),
 tensor([[0, 1]]))



input:
a + b

out:
tensor([[0, 1],
        [1, 2],
        [2, 3]])