torch运算

基本运算

1. 创建张量:

   import torch# 直接从列表或数组创建张量
   x = torch.tensor([1, 2, 3])
   

   创建特定值的张量:

   # 全零张量
   zeros = torch.zeros(3, 3)# 全一张量
   ones = torch.ones(3, 3)# 单位张量（对角线为1，其余为0）
   eye = torch.eye(3)# 随机张量
   rand = torch.rand(3, 3)# 从均值为0，标准差为1的正态分布中抽取的随机张量
   randn = torch.randn(3, 3)
   

   创建等差数列张量:

   # 从0到10（不包括10）的等差数列，步长为2
   arange = torch.arange(0, 10, 2)
   

   创建特定间隔的数列张量:

   # 从0到10均匀分布的5个数
   linspace = torch.linspace(0, 10, 5)
   

2. 加法和减法:

   # 加法
   z = x + y  # torch.add(x, y)
   print(z)  # 输出: tensor([5, 7, 9])# 减法
   z = x - y  # torch.sub(x, y)
   print(z)  # 输出: tensor([-3, -3, -3])
   

3. 乘法和除法:

   # 元素乘法
   z = x * y  # torch.mul(x, y)
   print(z)  # 输出: tensor([ 4, 10, 18])# 元素除法
   z = x / y  # torch.div(x, y)
   print(z)  # 输出: tensor([0.2500, 0.4000, 0.5000])
   

4. 矩阵乘法:

   a = torch.tensor([[1, 2], [3, 4]])
   b = torch.tensor([[5, 6], [7, 8]])# 矩阵乘法
   z = torch.matmul(a, b)  # 或者 a @ b
   print(z)  # 输出: tensor([[19, 22], [43, 50]])
   

形状操作

1. 改变形状:view()

   a = torch.tensor([[1, 2, 3], [4, 5, 6]])# 改变形状
   b = a.view(3, 2)
   print(b)
   # 输出:
   # tensor([[1, 2],
   #         [3, 4],
   #         [5, 6]])
   

   自动调整size (参数-1)

   view中一个参数指定为-1，代表自动调整这个维度上的元素个数，以保证元素的总数不变。

   import torch
   x1 = torch.arange(0,16)
   print(x1)
   #a1: tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])
   ------------------------------------------------------------------------------------------------------   
   x2 = x1.view(-1, 16)
   x3 = x1.view(-1, 8)
   x4 = x1.view(-1, 4)
   x5 = x1.view(-1, 2)print(x2)
   print(x3)
   print(x4)
   print(x5)x2: tensor([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15]])
   x3: tensor([[ 0,  1,  2,  3,  4,  5,  6,  7],[ 8,  9, 10, 11, 12, 13, 14, 15]])
   x4: tensor([[ 0,  1,  2,  3],[ 4,  5,  6,  7],[ 8,  9, 10, 11],[12, 13, 14, 15]])
   x5: tensor([[ 0,  1],[ 2,  3],[ 4,  5],[ 6,  7],[ 8,  9],[10, 11],[12, 13],[14, 15]])
   

2. 拼接:

   x = torch.tensor([[1, 2], [3, 4]])
   y = torch.tensor([[5, 6], [7, 8]])# 沿着0轴拼接（垂直拼接）
   z = torch.cat((x, y), dim=0)
   print(z)
   # 输出:
   # tensor([[1, 2],
   #         [3, 4],
   #         [5, 6],
   #         [7, 8]])# 沿着1轴拼接（水平拼接）
   z = torch.cat((x, y), dim=1)
   print(z)
   # 输出:
   # tensor([[1, 2, 5, 6],
   #         [3, 4, 7, 8]])
   

3. 切片:

   a = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])# 切片
   b = a[:, 1]  # 第二列
   print(b)  # 输出: tensor([2, 5, 8])
   

数学运算

1. 求和:sum()

   x = torch.tensor([1, 2, 3, 4])# 求和
   sum_x = torch.sum(x)
   print(sum_x)  # 输出: tensor(10)
   

2. 均值:mean()

   # 均值
   mean_x = torch.mean(x.float())  # 转换为浮点数类型
   print(mean_x)  # 输出: tensor(2.5000)
   

3. 最大值和最小值:max(),min()

   # 最大值
   max_x = torch.max(x)
   print(max_x)  # 输出: tensor(4)# 最小值
   min_x = torch.min(x)
   print(min_x)  # 输出: tensor(1)
   

逻辑运算

1. 比较运算:

   x = torch.tensor([1, 2, 3])
   y = torch.tensor([2, 2, 2])# 大于
   print(x > y)  # 输出: tensor([False, False,  True])# 小于
   print(x < y)  # 输出: tensor([ True, False, False])
   

2. 逻辑与、或:

   a = torch.tensor([True, False, True])
   b = torch.tensor([False, False, True])# 逻辑与
   c = torch.logical_and(a, b)
   print(c)  # 输出: tensor([False, False,  True])# 逻辑或
   c = torch.logical_or(a, b)
   print(c)  # 输出: tensor([ True, False,  True])
   

常见的高级操作

1. 广播机制:

   a = torch.tensor([1, 2, 3])
   b = torch.tensor([[1], [2], [3]])# 广播机制
   c = a + b
   print(c)
   # 输出:
   # tensor([[2, 3, 4],
   #         [3, 4, 5],
   #         [4, 5, 6]])
   

2. 自动梯度计算:

   x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)# 前向传播
   y = x + 2
   z = y * y * 2
   out = z.mean()# 反向传播
   out.backward()
   print(x.grad)  # 输出: tensor([4.6667, 6.0000, 7.3333])
   

随机数生成

1. 从标准正态分布中生成随机张量:

   randn_tensor = torch.randn(3, 3) # 生成一个形状为 (3, 3) 的随机张量，服从标准正态分布
   print(randn_tensor)
   #tensor([[ 1.2335, -0.3941,  0.8990],
   #        [ 0.0470, -1.2671,  0.3248],
   #       [-0.4062, -0.6862,  0.1314]])
   

2. 生成随机排列:

   randperm_tensor = torch.randperm(10)  # 生成一个从 0 到 9 的随机排列
   print(randperm_tensor)
   #tensor([2, 0, 5, 1, 8, 6, 3, 4, 7, 9])
   

3. 生成等差数列张量:

   arange_tensor = torch.arange(0, 10, 2) # 生成从 0 到 10（不包括 10）的等差数列，步长为 2
   print(arange_tensor)
   #tensor([0, 2, 4, 6, 8])