数据操作学习

1.导入torch。虽然被称为PyTorch，但应导入torch而不是pytorch

import torch

2.张量表示一个数值组成的数组，这个数组可能有多个维度

x=torch.arange(12)x

3.通过张量的shape属性来访问张量的形状和张量中元素的总数

x.shape

x.numel()

4.要改变张量的形状而不改变元素数量和元素值，可以调用reshape函数

x=x.reshape(3,4)x

5.使用全0、全1、其他常量或者从特定分布中随机采样的数字

torch.zeros((2,3,4))

torch.ones((2,3,4))

6.通过提供包含数值的Python列表（或嵌套列表）来所需张量中的每个元素赋予确定值

torch.tensor([[[2,1,4,3],[1,2,3,4],[4,3,2,1]]]).shape

Channel1,Width3,Height4

7.常见的标准算术运算符+、-、*、/、**都可以被升级为按元素运算

x=torch.tensor([1.0,2,4,8])y=torch.tensor([2,2,2,2])x+y,x-y,x*y,x/y,x**y

8.按元素方式应用更多的计算

torch.exp(x)

9.可以把多个张量连结在一起

X=torch.arange(12,dtype=torch.float32).reshape((3,4))Y=torch.tensor([[2.0,1,4,3],[1,2,3,4],[4,3,2,1]])torch.cat((X,Y),dim=0),torch.cat((X,Y),dim=1)

10.通过逻辑运算符构建二元张量

X==Y

11.对张量中的所有元素进行求和会产生一个只有一个元素的张量

X.sum()

12.形状不同可以通过调用广播机制（broadeastigmechanism）来执行按元素操作

a=torch.arange(3).reshape((3,1))b=torch.arange(2).reshape((1,2))a,b

a+b

13.可以用[-1]选择最后一个元素，可以用[1:3]选择第二个和第三个元素

X[-1],X[1:3]

14.除读取外，还可以通过指定索引来将元素写入矩阵。

X[1,2]=9X

15.为多个元素赋值相同的值，需要索引所有元素，然后为它们赋值

X[0:2,:]=12X

16.运行一些操作可能会导致为新结果分配内存

before=id(Y)Y=Y+Xid(Y)==before

17.执行原地操作

Z=torch.zeros_like(Y)print('id(Z):',id(Z))Z[:]=X+Yprint('id(Z):',id(Z))

18.如果在后续计算中没有重复使用×，我们也可以使用X[:]=X+Y或X+=Y来减少操作的内存开销

before=id(X)X+=Yid(X)==before

19.转换为NumPy张量

A=X.numpy()B=torch.tensor(A)type(A),type(B)