深度学习之数据 *** 作（上）

深度学习之数据 *** 作（上）

一.背景介绍

1.深度学习处理的数据对象一般为n维数组，也称为张量。

2.和Python中使用最广泛的科学计算包NumPy和ndarray类似，又有区别。

3.CPU很好地支持张量加速计算，而NumPy仅支持CPU计算。

4.张量类支持自动微分，这使得张量类更适合深度学习。

二.张量入门与创建

1.导入torch。

2.import torch

注.虽然它被称为PyTorch,但导入torch而不是pytorch。

3.张量本质上就是数组，这个数组可能有多个维度。

4.具有一个轴/维度的张量对应数学上的向量。

5.具有两个轴/维度的张量对应数学上的矩阵。

6.具有两个轴/维度以上的张量没有特殊的数学名称。

创建张量----arrange的用法：

1.使用arange创建一个行向量x:从0开始的前12个整数，默认被创建为浮点数。

2.张量中的每个值都称为张量的元素。

创建张量----shape属性的用法

1.张量的shape属性来访问张量的形状。（沿每个轴的长度）

创建张量----numel()的用法

1.求张量中元素的总数。

创建张量----reshape()函数的用法

1.改变张量的形状而不改变元素数量和元素值。

2.不需要通过手动指定每个维度来改变形状。

用法：-1的功能。

x.reshape(3,4)#3表示矩阵的高度；4表示矩阵的宽度。

等价于：x.reshape(-1,4)

等价于：x.reshape(3,-1)

创建张量----全0张量torch.zeros()

创建张量----全1张量torch.ones()

创建张量----元素来自特定分布

1.创建一个形状为（3，4）的张量。

2.均值为0，标准差为1的标准正态分布中随机采样。

创建张量----通过Python列表

1.通过Python列表（或嵌套列表）创建张量。

2.这里，最外层的列表对应于轴0（即矩阵的行），内层的列表对应于轴1（即矩阵的列）。