数据操作
python
# 导入PyTorch
import torch**张量表示一个由数值组成的数组，这个数组可能有多个维度** \]。 具有一个轴的张量对应数学上的*向量*（ ）； 具有两个轴的张量对应数学上的*矩阵*（matrix）； 具有两个轴以上的张量没有特殊的数学名称。 首先，我们可以使用 `arange` 创建一个行向量 `x`。这个行向量包含以0开始的前12个整数，它们默认创建为整数。也可指定创建类型为浮点数。张量中的每个值都称为张量的 *元素* （element）。例如，张量 `x` 中有 12 个元素。除非额外指定，新的张量将存储在内存中，并采用基于CPU的计算。 ```python x = torch.arange(15) x #:tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 13, 14]) ``` \[**可以通过张量的`shape`属性来访问张量（沿每个轴的长度）的\*形状\***\] (和张量中元素的总数)。 ```python x.shape #:torch.Size([15]) ``` 如果只想知道张量中元素的总数，即形状的所有元素乘积，可以检查它的大小（size）。 因为这里在处理的是一个向量，所以它的`shape`与它的`size`相同。 ```python x.numel() #:15 ``` \[**要想改变一个张量的形状而不改变元素数量和元素值，可以调用`reshape`函数。** \] 例如，可以把张量`x`从形状为（12,）的行向量转换为形状为（3,4）的矩阵。 这个新的张量包含与转换前相同的值，但是它被看成一个3行4列的矩阵。 要重点说明一下，虽然张量的形状发生了改变，但其元素值并没有变。 注意，通过改变张量的形状，张量的大小不会改变。 ```python X = x.reshape(3,5) X ``` > #: > > tensor(\[\[ 0, 1, 2, 3, 4\], > > \[ 5, 6, 7, 8, 9\], > > \[10, 11, 12, 13, 14\]\]) 我们不需要通过手动指定每个维度来改变形状。 也就是说，如果我们的目标形状是（高度,宽度）， 那么在知道宽度后，高度会被自动计算得出，不必我们自己做除法。 在上面的例子中，为了获得一个3行的矩阵，我们手动指定了它有3行和4列。 幸运的是，我们可以通过`-1`来调用此自动计算出维度的功能。 即我们可以用`x.reshape(-1,4)`或`x.reshape(3,-1)`来取代`x.reshape(3,4)`。 有时，我们希望\[**使用全0、全1、其他常量，或者从特定分布中随机采样的数字**\]来初始化矩阵。 我们可以创建一个形状为（2,3,4）的张量，其中所有元素都设置为0。代码如下： ```python torch.zeros((2,3,4)) ``` > #: > > tensor(\[\[\[0., 0., 0., 0.\], > > \[0., 0., 0., 0.\], > > \[0., 0., 0., 0.\]\], > > \[\[0., 0., 0., 0.\], > > \[0., 0., 0., 0.\], > > \[0., 0., 0., 0.\]\]\]) 同样，我们可以创建一个形状为`(2,3,4)`的张量，其中所有元素都设置为1。代码如下： ```python torch.ones((2,3,4)) ``` > #: > > tensor(\[\[\[1., 1., 1., 1.\], > > \[1., 1., 1., 1.\], > > \[1., 1., 1., 1.\]\], > > \[\[1., 1., 1., 1.\], > > \[1., 1., 1., 1.\], > > \[1., 1., 1., 1.\]\]\])