深度学习-- （数据操作-张量）

深度学习 learn-1

访问元素

 一个元素 [1;2]
 一行 [1,:]
 [:,1]
 子区域 [1:3,1:]  行数从1开始取到2，列数从1开始取完
  子区域 跳着取值 [::3,::2] 从0行开始每三行取一次 从0列开始每两列取一次

张量

表示一个数值组成的数组 这个数组可能有很多维度

x=torch.arange(12)
print(x) 

输出 tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])

关于维度

x=torch.tensor([[[[1,2,3],[4,5,6],[7,8,9]]]])
print(x.shape)

PyTorch 中四维张量的维度顺序通常为：(Batch Size, Channels, Height, Width) 即 (批量大小, 通道数, 高度, 宽度)。
对于 torch.Size([1, 1, 3, 3])：

• 第 0 维 1：批量大小（Batch Size）

     表示同时处理的样本数量。
     1 表示当前张量中只包含 1 个样本（例如一张图像）。
  

• 第 1 维 1：通道数（Channels）

    表示数据的通道数。
  
    对于图像：
  
    1：灰度图（单通道）。
  
    3：RGB 彩色图（3 通道）。
  
    对于卷积核权重：
  
    1 可能表示输入通道数或输出通道数（需结合上下文）。
  

• 第 2 维 3：高度（Height）

    表示数据的垂直维度大小（例如图像的高度为 3 像素）。
  

• 第 3 维 3：宽度（Width）

  <