目录
- pytorch的基本元素操作
-
- 创建一个没有初始化的矩阵
- 创建一个有初始化的矩阵
- 创建一个全0矩阵并可指定数据元素类型为long
- 直接通过数据创建张量
- 通过已有的一个张量创建相同尺寸的新张量
- 利用randn_like方法得到相同尺寸张量，并且采用随机初始化的方法为其赋值
- 采用.size()方法来得到张量的形状
- 加法
- 切片操作
- 改变张量的形状
- [如果张量中只有一个元素，可以用item()将值取出，作为一个python number](#如果张量中只有一个元素，可以用item()将值取出，作为一个python number)
- [torch tensor和numpy array之间的互相转换](#torch tensor和numpy array之间的互相转换)
- [关于cuda tensor：tensor可以用.to()方法将其移动到任意设备上](#关于cuda tensor：tensor可以用.to()方法将其移动到任意设备上)
pytorch的基本元素操作
python
from __future__ import print_function
import torch创建一个没有初始化的矩阵
python
x=torch.empty(5,3)
print(x)
创建一个有初始化的矩阵
python
x=torch.rand(5,3)
print(x)
创建一个全0矩阵并可指定数据元素类型为long
python
x=torch.zeros(5,3,dtype=torch.long)
print(x)
直接通过数据创建张量
python
x=torch.tensor([2,5,3,5])
print(x)
通过已有的一个张量创建相同尺寸的新张量
python
x=x.new_ones(5,3,dtype=torch.double)
print(x)
利用randn_like方法得到相同尺寸张量，并且采用随机初始化的方法为其赋值
python
y=torch.randn_like(x,dtype=torch.float)
print(y)
采用.size()方法来得到张量的形状
python
print(x.size())
加法
第一种方法
python
x=torch.randn(5,3)
y=torch.randn(5,3)
print(x+y)第二种方法
python
print(torch.add(x,y))第三种方法
python
result=torch.empty(5,3)
torch.add(x,y,out=result)
print(result)第四种方式：原地置换(执行的是y=y+x)
python
y.add_(x)
print(y)
注意
切片操作
python
x[:,1]
改变张量的形状
python
x=torch.randn(4,4)
y=x.view(16)
z=x.view(-1,8)
x.size(),y.size(),z.size()
如果张量中只有一个元素，可以用item()将值取出，作为一个python number
python
x=torch.randn(1)
print(x,x.item())
torch tensor和numpy array之间的互相转换
python
a=torch.ones(5)
b=a.numpy()
a.add_(1)
print(a,b)
python
import numpy as np
a=np.ones(5)
b=torch.from_numpy(a)
np.add(a,1,out=a)
print(a,b)
注意
关于cuda tensor：tensor可以用.to()方法将其移动到任意设备上
windows
mac
python
if torch.backends.mps.is_available():
device=torch.device('mps')
#cpu上创建x，gpu上创建y
x=torch.randn(1)
y=torch.ones_like(x,device=device)
x=x.to(device)
#此时x，y都在gpu上
z=x+y
print(z)
#再将z转移到cpu上
print(z.to('cpu',torch.float32))