pytorch学习基础1——张量的创建与基础操作

一思维导图

tensor的操作

元组和列表

定义一个普通列表，用中括号表示；

listvar = [111,3,13,True,3+4j,"abc"]print (listvar,type(listvar))

列表的特点：可获取，可修改，有序。

定义一个普通元组：

tuplevar = (False,3+4j,“aaa”,456)

元组特点：可获取、不可修改、有序

综上来看，列表和元组存储的数据类型都是多种多样的，最大的区别就是列表创建完成之后可以修改，而元组一旦创建之后不可修改（但是两个元组之间可以连接）。

后面我们将看到张量的很多操作，其参数是以元组或者列表传递的。

张量Tensor的定义与共性

张量在形式上就是多维数组，例如标量就是0维张量，向量就是一维张量，矩阵就是二维张量，而三维张量就可以想象RGB图片，每个channel是一个二维的矩阵，共有三个channel，还可以考虑更多。

在进行张量的各种操作时，需要牢牢掌握张量的两个特性，一是维度dimension（dim），从0开始，在代码中，每一个括号代表一个维度，深度学习中一般会有3-4个维度（batch_size,channel,width,height），；形状shape，这里是指每个维度的数值大小。举个例子来说，输出张量a的形状为（1,2,3，4），则该张量有4维，第0,1,2,3维的形状大小分别为1,2,3,4.特别注意这两个特性，因为张量的所有操作都是针对这两个特性的。

在调用张量api操作时往往有两种形式，一是a.api_name(arg)，二是api_name(a,arg)

在代码中创建张量Tensor数据类型时，除了封装张量本身的数据data外，还会附加张量的一些性质和操作，例如数据的梯度（grad），创建tensor的函数（grad_fun，是求导的关键），是否为叶子节点（is_leaf），是否需要梯度（require_grad）。这部分主要涉及到梯度和损失函数，后面再用专题介绍。

张量tensor创建

首先来谈一下张量的创建，创建的本质是有2大类，一是由现有的数据直接转化而来，称为转化法；二是利用各种api函数传入想要创建张量的维度和形状，称为api法。

转化法torch.tensor()和torch.from_numpy

转化法是从现有的数据转化而来，现有的数据从哪里来呢？

（1）tensor（）括号里的数据可以是列表list（以“[]”表示），即需要什么手动写什么，很少用；

(2)也可以是numpy，即先用numpy创建一个numpy，然后直接导入（如下）；

   torch.tensor([1]) 

  

    arr = np.array([[1, 2, 3], [4, 5, 6]])

    t = torch.tensor(arr, device='cuda')

值得注意的点：

（1）注意数据类型，有时候需要在数字后面加“.”表示float，因为求导时候需要float类型；

（2）可以添加device=’cuda’获得加速。

上述从numpy导入的数据是不共享内存的，而还有一种导入方法：torch.from_numpy创建的tensor和原来的numpy共享内存，也即是说修改tensor就会修改原来的numpy。如下

    arr = np.array([[1, 2, 3], [4, 5, 6]])

    t = torch.from_numpy(arr)

      # arr[0, 0] = 0

     t[0, 0] = -1

Api法

特殊数字torch.zeros()/ones()/eye()/full()

此类方法的共性就是利用给定的api函数，如zeros，ones，eyes，full，然后在参数里指定想要创建的张量的形状（用元组表示），即可完成创建。

# 通过torch.zeros创建张量

out_t = torch.tensor([1])

#t=torch.zeros((3,3))

        t = torch.zeros((3, 3), out=out_t)

值得注意的点：

（1）也可以先创建一个tensor，然后在zeros函数的out接收创建的zeros，二者的size可以不一样，创建完成后二者一致。

（2）还可以torch.ones

（3）全1张量还可以用full函数

    t = torch.full((3, 3), 1)