PyTorch 2 - 基础数据处理

PyTorch 2 - 基础数据处理

文章目录

一、创建二、运算三、改变形状四、Torch Tensor和Numpy array之间的相互转换

---

一、创建

import torch
 
x = torch.empty(2, 3)    #  tensor([[ 0.0000e+00, -2.5244e-29,  0.0000e+00], [-2.5244e-29,  1.6816e-44,  0.0000e+00]])

# 生成 2*3 的张量，服从 [0, 1) 标准正态分布
x = torch.rand(2, 3)    #  tensor([[0.9694, 0.3158, 0.6500], [0.0295, 0.8634, 0.6159]])

x = torch.zeros(2, 3, dtype=torch.long)    #  tensor([[0, 0, 0], [0, 0, 0]])

x = torch.ones(2, 3, dtype=torch.long)    #  tensor([[1, 1, 1], [1, 1, 1]])

x = torch.tensor([2.5, 3.5])    #  tensor([2.5000, 3.5000])

# 利用news_methods方法得到一个张量
x = x.new_ones(2, 3, dtype=torch.double)    #  tensor([[1., 1., 1.], [1., 1., 1.]], dtype=torch.float64)

# 利用randn_like方法得到 相同张量尺寸 的一个新张量, 并且采用随机初始化来对其赋值
y = torch.randn_like(x, dtype=torch.float)    #  tensor([[ 0.2930,  1.1197,  1.8780], [-1.1264, -1.2930, -0.1120]])

x.size()  # torch.Size函数本质上返回的是一个tuple, 因此它支持一切元组的 *** 作. 
# torch.Size([2, 3])

# x.shape() 没有这个函数 

二、运算

x = torch.randn(2, 3)    #  tensor([[-0.4300, -0.8063,  1.4317], [ 0.8179,  0.5675, -2.0124]])
y = torch.ones(2, 3)    #  tensor([[1., 1., 1.], [1., 1., 1.]])

# 加法方式 1
x + y   # tensor([[ 0.5700,  0.1937,  2.4317], [ 1.8179,  1.5675, -1.0124]])

# 加法方式 2
torch.add(x, y)  # tensor([[ 0.5700,  0.1937,  2.4317], [ 1.8179,  1.5675, -1.0124]])

# 加法方式 3
# 提前设定一个空的张量
result = torch.empty(2, 3)
# 将空的张量作为加法的结果存储张量
torch.add(x, y, out=result)    # tensor([[ 0.5700,  0.1937,  2.4317], [ 1.8179,  1.5675, -1.0124]])

# 加法方式 4 -  in-place (原地置换)  
# 注意: 所有in-place的 *** 作函数都有一个下划线的后缀.
# 比如x.copy_(y), x.add_(y), 都会直接改变x的值.

y.add_(x)    #  tensor([[ 0.5700,  0.1937,  2.4317], [ 1.8179,  1.5675, -1.0124]])
x[:, 1]
tensor([-0.8063,  0.5675])    #  tensor([[-0.4300, -0.8063,  1.4317], [ 0.8179,  0.5675, -2.0124]])

三、改变形状

x = torch.randn(2, 3)    #  tensor([[ 0.3722,  0.3018, -0.8382], [-0.6036, -0.6115,  1.2695]])

# tensor.view() *** 作需要保证数据元素的总数量不变
y = x.view(6)    #  tensor([ 0.3722,  0.3018, -0.8382, -0.6036, -0.6115,  1.2695])

# -1代表自动匹配个数
z = x.view(-1, 2)
'''
tensor([[ 0.3722,  0.3018],
        [-0.8382, -0.6036],
        [-0.6115,  1.2695]])
'''

z1 = x.view(2, -1)
'''
tensor([[ 0.3722,  0.3018, -0.8382],
        [-0.6036, -0.6115,  1.2695]])
'''

print(x.size(), y.size(), z.size(), z1.size()) 
# torch.Size([2, 3]) torch.Size([6]) torch.Size([3, 2]) torch.Size([2, 3])

x = torch.randn(1)    #  tensor([-0.2878])
x.item()  # -0.28781047463417053

---

四、Torch Tensor和Numpy array之间的相互转换

a = torch.ones(5)  #  tensor([1., 1., 1., 1., 1.])
b = a.numpy()   # array([1., 1., 1., 1., 1.], dtype=float32)
a.add_(1)  #  tensor([2., 2., 2., 2., 2.])

b  # 同时被改变 
# array([2., 2., 2., 2., 2.], dtype=float32)

import numpy as np
a = np.ones(5) # array([1., 1., 1., 1., 1.])
b = torch.from_numpy(a) # tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
np.add(a, 1, out=a)  #  array([2., 2., 2., 2., 2.])

---

---