Tensor基本操作

Tensor（张量）

1、Tensor，又名张量，从工程角度来说，可简单地认为它就是一个数组，且支持高效的科学计算。它可以是一个数（标量）、一维数组（向量）、二维数组（矩阵）或更高维的数组（高阶数组），torch里的Tensor支持GPU加速。

基本操作

1、从接口的角度讲，对tensor的操作可分为两类：
    （1）torch.function,如torch.save等
    （2）tensor.function，如tensor.view等
2、从存储的角度讲，对tensor的操作又可分为两类：
    （1）不会修改自身的数据，如a.add(b),加法的结果会返回一个新的tensor
    （2）会修改自身的数据，如a.add_(b),加法的结果仍存储在a中，a被修改了
函数名以_结尾的都是inplace方式，即会修改调用者自己的数据，在实际应用中需要加以区分。

1. #_Author_:Monkey
2. #!/usr/bin/env python
3. #-*- coding:utf-8 -*-
4. import torch as t
5. # from __future__ import print_function
6. a = t.Tensor(2,3)       #指定Tensor的形状，a的数值取决于内存空间的状态
7. print(a)
8. '''''tensor([[2.1469e+33, 5.9555e-43, 2.1479e+33],
9. [5.9555e-43, 6.3273e+30, 5.9555e-43]])'''
10. b = t.Tensor([ [1,2,3],[4,5,6] ])       #用list的数据创建Tensor
11. print(b)
12. '''''tensor([[1., 2., 3.],
13. [4., 5., 6.]])'''
14. c = b.tolist()      #Tensor转list
15. print(c)
16. '''''[[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]]'''
17. #torch.size()返回torch.Size的子类，但其使用方式与tuple稍有区别
18. b_size = b.size()
19. print(b_size)
20. '''''torch.Size([2, 3])'''
21. d = b.numel()
22. print(d)
23. '''''6'''
24. #创建一个和b形状一样的tensor
25. e = t.Tensor(b_size)
26. f = t.Tensor((2,3))
27. print(e)
28. print(f)
29. '''''tensor([[2.6492e+21, 4.5908e-41, 0.0000e+00],
30. [0.0000e+00, 1.4013e-45, 2.9775e-41]])
31. tensor([2., 3.])'''
32. print(e.shape)
33. '''''torch.Size([2, 3])'''
34. print(t.ones(2,3))
35. '''''tensor([[1., 1., 1.],
36. [1., 1., 1.]])'''
37. print(t.zeros(2,3))
38. '''''tensor([[0., 0., 0.],
39. [0., 0., 0.]])'''
40. print(t.arange(1,6,2))
41. '''''tensor([1, 3, 5])'''
42. print(t.linspace(1,10,3))
43. '''''tensor([ 1.0000,  5.5000, 10.0000])'''
44. print(t.randn(2,3))
45. '''''tensor([[-0.3437, -0.3981, -0.3250],
46. [ 2.6717, -0.7511, -0.5858]])'''
47. print(t.randperm(5))        #长度为5的随机排序
48. '''''tensor([4, 0, 3, 2, 1])'''
49. print(t.eye(2,3))           #对角线为1，不要求行列数一致
50. '''''tensor([[1., 0., 0.],
51. [0., 1., 0.]])'''