PyTorch数据操作基础教程：从张量创建到高级运算

本文通过示例代码全面讲解PyTorch中张量的基本操作，包含创建、运算、广播机制、索引切片等核心功能，并提供完整的代码和输出结果。

1. 张量创建与基本属性

python 复制代码

import torch

# 创建连续数值张量
x = torch.arange(12, dtype=torch.float32)
print("原始张量:\n", x)
print("形状:", x.shape)
print("元素总数:", x.numel())

# 创建全零/全一张量
zero = torch.zeros(2, 3, 4)
print("\n三维零张量:\n", zero)

one = torch.ones(3, 4)
print("\n全一张量:\n", one)

# 手动创建张量
a = torch.tensor([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
print("\n自定义张量:\n", a)

输出结果：

bash 复制代码

原始张量:
 tensor([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10., 11.])
形状: torch.Size([12])
元素总数: 12

三维零张量:
 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.]]])

全一张量:
 tensor([[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]])

自定义张量:
 tensor([[ 1,  2,  3,  4],
        [ 5,  6,  7,  8],
        [ 9, 10, 11, 12]])

2. 张量重塑与转置

python 复制代码

x = x.reshape(3, 4)
print("重塑后的3x4张量:\n", x)
print("转置张量:\n", x.T)

输出结果：

bash 复制代码

重塑后的3x4张量:
 tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.]])
转置张量:
 tensor([[ 0.,  4.,  8.],
        [ 1.,  5.,  9.],
        [ 2.,  6., 10.],
        [ 3.,  7., 11.]])

3. 数学运算

python 复制代码

# 矩阵减法
print("x - one:\n", x - one)

# 指数运算
b = torch.exp(a)
print("\n指数运算结果:\n", b)

输出结果：

bash 复制代码

x - one:
 tensor([[-1.,  0.,  1.,  2.],
        [ 3.,  4.,  5.,  6.],
        [ 7.,  8.,  9., 10.]])

指数运算结果:
 tensor([[2.7183e+00, 7.3891e+00, 2.0086e+01, 5.4598e+01],
        [1.4841e+02, 4.0343e+02, 1.0966e+03, 2.9810e+03],
        [8.1031e+03, 2.2026e+04, 5.9874e+04, 1.6275e+05]])

4. 张量拼接与比较

python 复制代码

# 行拼接
c = torch.cat((x, one), dim=0)
print("行拼接结果:\n", c)

# 列拼接
d = torch.cat((x, one), dim=1)
print("\n列拼接结果:\n", d)

# 张量比较
print("\n张量比较:\n", x == a)

输出结果：

bash 复制代码

行拼接结果:
 tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.],
        [ 1.,  1.,  1.,  1.],
        [ 1.,  1.,  1.,  1.],
        [ 1.,  1.,  1.,  1.]])

列拼接结果:
 tensor([[ 0.,  1.,  2.,  3.,  1.,  1.,  1.,  1.],
        [ 4.,  5.,  6.,  7.,  1.,  1.,  1.,  1.],
        [ 8.,  9., 10., 11.,  1.,  1.,  1.,  1.]])

张量比较:
 tensor([[False, False, False, False],
        [False, False, False, False],
        [False, False, False, False]])

5. 广播机制

python 复制代码

e = torch.arange(3).reshape(3, 1)
print("广播加法:\n", x + e)

输出结果：

bash 复制代码

广播加法:
 tensor([[ 0.,  1.,  2.,  3.],
        [ 5.,  6.,  7.,  8.],
        [10., 11., 12., 13.]])

6. 索引与切片

python 复制代码

print("最后一行:", x[-1])
print("第二到第三行:\n", x[1:3])

x[1, 2] = 100  # 修改单个元素
x[0:2, 1:3] = 0  # 修改子区域
print("\n修改后的张量:\n", x)

输出结果：

bash 复制代码

最后一行: tensor([ 8.,  9., 10., 11.])
第二到第三行:
 tensor([[ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.]])

修改后的张量:
 tensor([[ 0.,  0.,  0.,  3.],
        [ 4.,  0.,  0.,  7.],
        [ 8.,  9., 10., 11.]])

7. 内存地址管理

python 复制代码

before = id(x)
x = x + a  # 新内存分配
# x += a    # 原地操作
print("内存地址是否变化:", before == id(x))

D = x.clone()
print("克隆张量地址对比:", before == id(D))

输出结果：

bash 复制代码

内存地址是否变化: False
克隆张量地址对比: False

8. PyTorch与NumPy转换

python 复制代码

A = x.numpy()
B = torch.tensor(A)
print("类型转换:", type(A), type(B))

输出结果：

bash 复制代码

类型转换: <class 'numpy.ndarray'> <class 'torch.Tensor'>

9. 统计操作

python 复制代码

sum_a = a.sum(axis=1, keepdims=True)
print("按行求和:\n", sum_a)
print("归一化结果:\n", a / sum_a)
print("按列累加:\n", a.cumsum(axis=0))

输出结果：

bash 复制代码

按行求和:
 tensor([[10],
        [26],
        [42]])
归一化结果:
 tensor([[0.1000, 0.2000, 0.3000, 0.4000],
        [0.1923, 0.2308, 0.2692, 0.3077],
        [0.2143, 0.2381, 0.2619, 0.2857]])
按列累加:
 tensor([[ 1,  2,  3,  4],
        [ 6,  8, 10, 12],
        [15, 18, 21, 24]])

通过本文的示例代码，您可以快速掌握PyTorch张量操作的核心功能。建议读者在实际项目中多加练习以巩固知识！