简单记录以便查阅

张量

一、创建张量

x = torch.empty(5,3)                       # 创建未初始化矩阵张量
x = torch.rand(5,3)                        # 创建初始化随机矩阵张量
x = torch.zeros(5,3,dtype=torch.long)      # 创建0填充矩阵张量
x = torch.tensor([5.5,3])                  # 使用现有数据初始化张量
x = x.new_ones(5,3, dtype=torch.double)    # 使用new_*来创建对象
x = torch.randn_like(x, dtype=torch.float) # 根据现有张量创建张量torch.arange(start, end, step=1, dtype=torch.int32)
torch.full(size, fill_value)               # 张量填充
torch.normal(mean, std, out=None)          # 正态分布

二、张量尺寸

x.size()
x.shape

三、张量维度

x = torch.squeeze(x)         # 去掉大小为1的维度
x = torch.unsqueeze(x,3)     # 在第三维增加1个维度
x = torch.transpose(x, 1, 2) # 交换维度1和维度2
x = torch.permute(1,2,3,0)   # 交换多个维度/维度重组

四、张量操作

x + y   /  torch.add(x, y)   /  y.add_(x)   # 四则运算
x[:, 1]                                     # 切片操作
x = x.view(-1, 8)                           # 改变维度(-1维度自动推断)
x = x.reshape(8,-1)                         # 改变维度
x.item()                                    # 取张量的数值（前提：张量只有一个元素）
torch.cat((x,y), dim=0)                     # 张量拼接（在原有的某一维度上进行连接）
torch.stack((x,y), dim=0)                   # 张量拼接（创建一个新的维度，将原有维度在这个维度上进行顺序排列）[详细](https://blog.csdn.net/TH_NUM/article/details/83088915)
torch.chunk(a, chunk_num, dim=0)            # 张量拆分（在指定维度上将a变成chunk_num个大小相等的chunk，返回一个tuple。如果最后一个不够chunk_num，就返回剩下的）
torch.split(a, chunk_size, dim=0)           # 张量拆分（同上）

五、张量类型转换

1.Torch Tensor与NumPy数组共享底层内存地址
b = a.numpy()             # tensor 转 numpy
b = torch.from_numpy(a)   # numpy 转 tensorb = a.long()       # torch.int64
c = a.half()       # torch.float16
d = a.int()        # torch.int32
e = a.double()     # torch.float64
f = a.float()      # torch.float32
g = a.char()       # torch.int8
h = a.byte()       # torch.uint8
j = a.short()      # torch.int16
c = a.type_as(c)   # 转化 a 的数据格式与 c 相同

六、CUDA 张量

# is_available 函数判断是否有cuda可以使用
# ``torch.device``将张量移动到指定的设备中
if torch.cuda.is_available():device = torch.device("cuda")          # a CUDA 设备对象y = torch.ones_like(x, device=device)  # 直接从GPU创建张量x = x.to(device)                       # 或者直接使用``.to("cuda")``将张量移动到cuda中z = x + yprint(z)print(z.to("cpu", torch.double))       # ``.to`` 也会对变量的类型做更改