PyTorch 张量学习

文章目录

[PyTorch 张量学习](#PyTorch 张量学习)
- 什么是张量？
- 张量的特点
- 基础示例
- 张量的属性
- - 属性使用示例
- 张量的操作
- [张量与 NumPy 的互操作](#张量与 NumPy 的互操作)
- 总结

什么是张量？

张量（Tensor）是PyTorch中的核心数据结构，可以理解为多维数组或矩阵的扩展。

张量的特点

多维性：张量可以有多个维度
- 0维张量：标量（单个数字）
- 1维张量：向量
- 2维张量：矩阵
- 3维及以上：更高维数组
数据类型统一：张量中的所有元素必须是相同的数据类型
GPU支持：张量可以在CPU或GPU上进行计算
自动求导：PyTorch张量支持自动微分，这对深度学习至关重要

基础示例

创建一维张量

python 复制代码

import torch

# 创建一维张量
tensor = torch.tensor([10, 20, 30])
print(tensor)

从NumPy数组创建张量

python 复制代码

import numpy as np
import torch

# NumPy数组转张量
numpy_array = np.array([5, 15, 25])
tensor = torch.from_numpy(numpy_array)
print(tensor)

创建2D张量（矩阵）

2D张量（二维张量）就是矩阵，它有两个维度：行和列。

python 复制代码

import torch

# 创建4x5矩阵
tensor_2d = torch.tensor([
    [1, 3, 5, 7, 9],
    [2, 4, 6, 8, 10],
    [11, 13, 15, 17, 19],
    [12, 14, 16, 18, 20]
])
print("2D Tensor:", tensor_2d)
print("Shape:", tensor_2d.shape)

张量的属性

属性	说明	示例
`.shape`	获取张量的形状	`tensor.shape`
`.size()`	获取张量的形状	`tensor.size()`
`.dtype`	获取张量的数据类型	`tensor.dtype`
`.device`	查看张量所在的设备 (CPU/GPU)	`tensor.device`
`.dim()`	获取张量的维度数	`tensor.dim()`
`.requires_grad`	是否启用梯度计算	`tensor.requires_grad`
`.numel()`	获取张量中的元素总数	`tensor.numel()`
`.is_cuda`	检查张量是否在 GPU 上	`tensor.is_cuda`
`.T`	获取张量的转置（适用于 2D 张量）	`tensor.T`
`.item()`	获取单元素张量的值	`tensor.item()`
`.is_contiguous()`	检查张量是否连续存储	`tensor.is_contiguous()`

属性使用示例

python 复制代码

import torch

# 创建2x3张量
tensor = torch.tensor([[7, 8, 9], [10, 11, 12]], dtype=torch.float32)

# 基本属性
print("Tensor:", tensor)
print("Shape:", tensor.shape)
print("Size:", tensor.size())
print("Data Type:", tensor.dtype)
print("Device:", tensor.device)
print("Dimensions:", tensor.dim())
print("Total Elements:", tensor.numel())

# 高级属性
print("Requires Grad:", tensor.requires_grad)
print("Is CUDA:", tensor.is_cuda)
print("Is Contiguous:", tensor.is_contiguous())

# 获取单元素值
single_value = torch.tensor(42)
print("Single Element:", single_value.item())

# 转置
tensor_T = tensor.T
print("Transposed:", tensor_T)

张量的操作

基础操作

操作	说明	示例代码
`+, -, *, /`	元素级加法、减法、乘法、除法	`z = x + y`
`torch.matmul(x, y)`	矩阵乘法	`z = torch.matmul(x, y)`
`torch.dot(x, y)`	向量点积（仅适用于 1D 张量）	`z = torch.dot(x, y)`
`torch.sum(x)`	求和	`z = torch.sum(x)`
`torch.mean(x)`	求均值	`z = torch.mean(x)`
`torch.max(x)`	求最大值	`z = torch.max(x)`
`torch.min(x)`	求最小值	`z = torch.min(x)`
`torch.argmax(x, dim)`	返回最大值的索引（指定维度）	`z = torch.argmax(x, dim=1)`
`torch.softmax(x, dim)`	计算 softmax（指定维度）	`z = torch.softmax(x, dim=1)`

形状操作

操作	说明	示例代码
`x.view(shape)`	改变张量的形状（不改变数据）	`z = x.view(3, 4)`
`x.reshape(shape)`	类似于 view，但更灵活	`z = x.reshape(3, 4)`
`x.t()`	转置矩阵	`z = x.t()`
`x.unsqueeze(dim)`	在指定维度添加一个维度	`z = x.unsqueeze(0)`
`x.squeeze(dim)`	去掉指定维度为 1 的维度	`z = x.squeeze(0)`
`torch.cat((x, y), dim)`	按指定维度连接多个张量	`z = torch.cat((x, y), dim=1)`

综合操作示例

python 复制代码

import torch

# 创建2x3张量
tensor = torch.tensor([[15, 25, 35], [45, 55, 65]], dtype=torch.float32)
print("原始张量:", tensor)

# 1. 索引和切片
print("\n索引和切片:")
print("第一行:", tensor[0])
print("第一行第一列:", tensor[0, 0])
print("第二列:", tensor[:, 1])

# 2. 形状变换
print("\n形状变换:")
reshaped = tensor.view(3, 2)
print("改变形状:", reshaped)
flattened = tensor.flatten()
print("展平:", flattened)

# 3. 数学运算
print("\n数学运算:")
print("加5:", tensor + 5)
print("乘3:", tensor * 3)
print("求和:", tensor.sum().item())

# 4. 张量操作
print("\n张量操作:")
tensor2 = torch.tensor([[2, 2, 2], [2, 2, 2]], dtype=torch.float32)
print("矩阵乘法:", torch.matmul(tensor, tensor2.T))

# 5. 条件筛选
print("\n条件筛选:")
print("大于30:", tensor[tensor > 30])

张量与 NumPy 的互操作

操作	说明	示例代码
`torch.from_numpy(ndarray)`	将 NumPy 数组转换为张量	`x = torch.from_numpy(np_array)`
`x.numpy()`	将张量转换为 NumPy 数组（仅限 CPU 张量）	`np_array = x.numpy()`

总结

本指南涵盖了PyTorch张量的基础知识，包括创建、属性、操作以及与NumPy的互操作。张量是深度学习的核心概念，熟练掌握张量操作是学习PyTorch的重要基础。