创建 Tensor

使用 Torch 接口创建 Tensor

import torch

参考：https://pytorch.org/tutorials/beginner/basics/tensorqs_tutorial.html

常用操作

unsqueeze

将多维数组解套，并嵌入新的一层维度。

    data = [[1, 2],[3, 4]]x_data = torch.tensor(data)print("x_data")print(x_data)x2_data = x_data.unsqueeze(-1)print("x_data>> unsqueeze -1")print(x2_data)x2_data = x_data.unsqueeze(0)print("x_data>> unsqueeze 0")print(x2_data)x2_data = x_data.unsqueeze(1)print("x_data>> unsqueeze 1")print(x2_data)x2_data = x_data.unsqueeze(2)print("x_data>> unsqueeze 2")print(x2_data)

结果：

x_data
tensor([[1, 2],[3, 4]])
x_data>> unsqueeze -1   # -1 代表最内层，将最内层的数用一个新的维度包起来
tensor([[[1],[2]],[[3],[4]]])
x_data>> unsqueeze 0 # 0 代表最外层，将原来的多维数组整个多套一层
tensor([[[1, 2],[3, 4]]])
x_data>> unsqueeze 1 # 代表原来第一维里的每个元素，套一层
tensor([[[1, 2]],[[3, 4]]])
x_data>> unsqueeze 2 # 代表原来第二维里的每个元素，套一层
tensor([[[1],        # 当前一共两维，所以效果和 -1 一样[2]],[[3],[4]]])

squeeze

去掉指定或全部的维度中只有一个元素的多维数组。

比如输入为 Ax1xBxCx1xD 维的数组，输出变成了 AxBxCxD 维的数组。

https://pytorch.org/docs/stable/generated/torch.squeeze.html

    data = [[1], [2],[3], [4]]x_data = torch.tensor(data)print("x_data")print(x_data)x2_data = x_data.squeeze()print("x_data>> squeeze")print(x2_data)x2_data = x_data.squeeze(1)print("x_data>> squeeze 1")print(x2_data)

结果：

x_data
tensor([[1],[2],[3],[4]])
x_data>> squeeze
tensor([1, 2, 3, 4])
x_data>> squeeze 1
tensor([1, 2, 3, 4])

Softmax

https://pytorch.org/docs/stable/generated/torch.softmax.html

归一化操作。

代码1

    data = torch.tensor([1,2,3], dtype=torch.float) # 维度 3; 注意，此处 dtype 是 int 或 long 接口报错x_data = torch.softmax(data, 0)print("x_data")print(x_data)

结果：

x_data
tensor([0.0900, 0.2447, 0.6652])  # 维度 3

代码2

    data = torch.tensor([[1],[2],[3]], dtype=torch.float) # 维度 3x1x_data2 = torch.softmax(data, 0)print("x_data2")print(x_data2)

结果：

x_data2  # 维度 3x1
tensor([[0.0900],[0.2447],[0.6652]])

代码3

    data = torch.tensor([[1],[2],[3]], dtype=torch.float) # 维度 3x1x_data2 = torch.softmax(data, 1) # 沿着第一维求print("x_data2")print(x_data2)

结果：

x_data2
tensor([[1.],[1.],[1.]])

此时，每维都是 1 个元素，针对自身求 softmax，所以，结果是 1.

argmax

https://pytorch.org/docs/stable/generated/torch.argmax.html

返回一个多维数组的最大值的索引，如果是多维数组，则返回第一维的索引。

item

https://pytorch.org/docs/stable/generated/torch.Tensor.item.html
返回一个 Tensor 中携带的 Python Number 对象。该接口只对 Tensor 是一维的有效。

x = torch.tensor([1.0])
x.item()