創(chuàng)建張量

torch.tensor(data): 從數(shù)據(jù)創(chuàng)建張量

這個(gè)函數(shù)會(huì)根據(jù)提供的數(shù)據(jù)創(chuàng)建一個(gè)新的張量。數(shù)據(jù)可以是列表、數(shù)組等。

import torchdata = [1, 2, 3, 4, 5]
tensor_data = torch.tensor(data)
print(tensor_data)

torch.zeros(size): 創(chuàng)建元素全為0的張量

創(chuàng)建一個(gè)指定大小的張量，其中所有元素的值都為0。

import torchsize = (2, 3)
zeros_tensor = torch.zeros(size)
print(zeros_tensor)

torch.ones(size): 創(chuàng)建元素全為1的張量

創(chuàng)建一個(gè)指定大小的張量，其中所有元素的值都為1。

import torchsize = (2, 3)
ones_tensor = torch.ones(size)
print(ones_tensor)

torch.empty(size): 創(chuàng)建未初始化的張量

創(chuàng)建一個(gè)指定大小的未初始化張量，其值取決于內(nèi)存的狀態(tài)。

import torchsize = (2, 3)
empty_tensor = torch.empty(size)
print(empty_tensor)

torch.randn(size): 創(chuàng)建服從標(biāo)準(zhǔn)正態(tài)分布的張量

創(chuàng)建一個(gè)指定大小的張量，其中的元素值是從標(biāo)準(zhǔn)正態(tài)分布中隨機(jī)抽取的。

import torchsize = (2, 3)
randn_tensor = torch.randn(size)
print(randn_tensor)

torch.arange(start, end, step): 創(chuàng)建一個(gè)范圍內(nèi)的一維張量

創(chuàng)建一個(gè)一維張量，其中的元素值從起始值到結(jié)束值，步長(zhǎng)為給定的步長(zhǎng)。

import torchstart = 0
end = 5
step = 1
arange_tensor = torch.arange(start, end, step)
print(arange_tensor)

torch.linspace(start, end, steps): 創(chuàng)建一個(gè)在指定范圍內(nèi)均勻間隔的張量

創(chuàng)建一個(gè)一維張量，其中的元素值在指定范圍內(nèi)均勻分布。

import torchstart = 0
end = 5
steps = 5
linspace_tensor = torch.linspace(start, end, steps)
print(linspace_tensor)

張量屬性相關(guān)

.dtype: 獲取張量的數(shù)據(jù)類型

返回張量中元素的數(shù)據(jù)類型。

import torchtensor = torch.tensor([1, 2, 3])
print(tensor.dtype)

.shape: 獲取張量的形狀

返回一個(gè)元組，表示張量的形狀。

import torchtensor = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(tensor.shape)

.device: 獲取張量所在的設(shè)備

返回一個(gè)字符串，表示張量所在的設(shè)備，如’cpu’或’cuda:0’。

import torchtensor = torch.tensor([1, 2, 3])
print(tensor.device)

張量索引、切片與拼接

tensor[index]: 索引操作

使用索引來(lái)訪問(wèn)張量中的元素。

import torchtensor = torch.tensor([[1, 2, 3], [4, 5, 6]])
element = tensor[0, 1]  # Accesses the element at row 0, column 1
print(element)
tensor[start:end]: 切片操作

使用切片來(lái)獲取張量的子張量

import torchtensor = torch.tensor([[1, 2, 3], [4, 5, 6]])
sub_tensor = tensor[:, 1:]  # Slices the tensor to get all rows and columns starting from the second column
print(sub_tensor)
torch.cat(tensors, dim): 在給定維度上連接張量

沿著指定維度將多個(gè)張量連接在一起

import torchtensor1 = torch.tensor([[1, 2], [3, 4]])
tensor2 = torch.tensor([[5, 6], [7, 8]])
concatenated_tensor = torch.cat((tensor1, tensor2), dim=0)  # Concatenates along the row dimension
print(concatenated_tensor)
torch.stack(tensors, dim): 在新維度上堆疊張量

在一個(gè)新的維度上堆疊多個(gè)張量

import torchtensor1 = torch.tensor([1, 2, 3])
tensor2 = torch.tensor([4, 5, 6])
stacked_tensor = torch.stack((tensor1, tensor2), dim=1)  # Stacks tensors along a new dimension
print(stacked_tensor)

張量變換

tensor.view(shape): 返回給定形狀的張量視圖

返回一個(gè)具有指定形狀的新張量，原始張量的形狀必須與新形狀兼容。

import torchtensor = torch.tensor([[1, 2], [3, 4]])
reshaped_tensor = tensor.view(1, 4)  # Reshapes the tensor to a 1x4 tensor
print(reshaped_tensor)
tensor.reshape(shape): 改變張量的形狀

返回一個(gè)具有指定形狀的新張量，原始張量的元素?cái)?shù)量必須與新形狀一致

import torchtensor = torch.tensor([[1, 2], [3, 4]])
reshaped_tensor = tensor.reshape(1, 4)  # Reshapes the tensor to a 1x4 tensor
print(reshaped_tensor)
tensor.transpose(dim0, dim1): 交換兩個(gè)維度

交換張量中兩個(gè)維度的位置

import torchtensor = torch.tensor([[1, 2], [3, 4]])
transposed_tensor = tensor.transpose(0, 1)  # Swaps the first and second dimensions
print(transposed_tensor)
tensor.permute(*dims): 按照指定順序排列張量的維度

按照給定順序重新排列張量的維度

import torchtensor = torch.tensor([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
permuted_tensor = tensor.permute(1, 0, 2)  # Permutes the dimensions to (1, 0, 2)
print(permuted_tensor)
tensor.squeeze(): 刪除所有長(zhǎng)度為1的維度

刪除張量中所有長(zhǎng)度為1的維度

import torchtensor = torch.tensor([[[1, 2], [3, 4]]])
squeezed_tensor = tensor.squeeze()  # Removes the single-dimensional entries
print(squeezed_tensor)
tensor.unsqueeze(dim): 在指定位置增加一個(gè)維度

在指定位置增加一個(gè)長(zhǎng)度為1的新維度

import torchtensor = torch.tensor([[1, 2], [3, 4]])
unsqueezed_tensor = tensor.unsqueeze(0)  # Adds a dimension at index 0
print(unsqueezed_tensor)