一、數據操作

在PyTorch中，torch.Tensor是存儲和變換數據的主要工具。

"tensor"這個單詞一般可譯作“張量”，張量可以看作是一個多維數組。 標量可以看作是0維張量，向量可以看作1維張量，矩陣可以看作是二維張量。

1、torch.arange() 和torch.linspace

# arange(s, e, step) => 從s到e，步長為step x8 = torch.arange(1, 10, 2) # print(x8)# linspace(s, e, steps) => 從s到e，均勻切分成steps份 x9 = torch.linspace(2,8,3) # print(x9)

2、torch.range() 和torch.arange() 的區別

>>> y=torch.range(1,6) >>> y tensor([1., 2., 3., 4., 5., 6.]) >>> y.dtype torch.float32>>> z=torch.arange(1,6) >>> z tensor([1, 2, 3, 4, 5]) >>> z.dtype torch.int64

3、torch.randn與torch.rand的區別

randn

torch.randn(*sizes, out=None) → Tensor

返回一個包含了從標準正態分布中抽取的一組隨機數的張量

size：張量的形狀

out：結果張量

rand

torch.rand(*sizes, out=None) → Tensor

返回一個張量，包含了從區間[0, 1)的均勻分布中抽取的一組隨機數

4、NumPy數組與Tensor的互相轉換（共享內存）

NumPy轉Tensor：torch.from_numpy()
Tensor轉NumPy：numpy()
另：可以使用 torch.tensor() 將NumPy數組轉換成Tensor，但不再共享內存

5、Tensor on GPU

if torch.cuda.is_available():device = torch.device("cuda") # GPUy = torch.ones_like(x, device=device) # 直接創建一個在GPU上的Tensorx = x.to(device) # 等價于 .to("cuda")z = x + yprint(z)print(z.to("cpu", torch.double)) # to()還可以同時更改數據類型

6、索引

索引出來的結果與元數據共享內存

x = torch.tensor([[1, 2, 3], [4, 5, 6]]) print(x) y = x[0, :] # 取出第一行 print(y) y += 1 print(y) print(x[0, :]) # 源tensor也被改了

輸出

tensor([[1, 2, 3],[4, 5, 6]]) tensor([1, 2, 3]) tensor([2, 3, 4]) tensor([2, 3, 4])

7、廣播機制

當對兩個形狀不同的Tensor按元素運算時，可能會觸發廣播（broadcasting）機制：先適當復制元素使這兩個Tensor形狀相同后再按元素運算

x = torch.arange(1, 3).view(1, 2) print(x) y = torch.arange(1, 4).view(3, 1) print(y) print(x + y)

輸出

tensor([[1, 2]]) tensor([[1],[2],[3]]) tensor([[2, 3],[3, 4],[4, 5]]) 創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的《动手学深度学习 PyTorch版》学习笔记（一）：数据操作的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。