PyTorch2 Python深度学习 - 张量(Tensor)的定义与操作

锋哥原创的PyTorch2 Python深度学习视频教程：

https://www.bilibili.com/video/BV1eqxNzXEYc

课程介绍

基于前面的机器学习Scikit-learn，深度学习Tensorflow2课程，我们继续讲解深度学习PyTorch2，所以有些机器学习，深度学习基本概念就不再重复讲解，大家务必学习好前面两个课程。本课程主要讲解基于PyTorch2的深度学习核心知识，主要讲解包括PyTorch2框架入门知识，环境搭建，张量，自动微分，数据加载与预处理，模型训练与优化，以及卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），模型保存与加载等。

PyTorch2 Python深度学习 - 张量(Tensor)的定义与操作

张量是一种特殊的数据结构，与数组和矩阵非常相似。在 PyTorch2 中，我们使用张量来定义模型的输入和输出，以及模型的参数。

1，张量的定义

张量是一个具有相同数据类型的元素的多维矩阵。张量的维度被称为"秩"（rank），张量的形状（shape）决定了它的维度。例如：

标量：零维张量（0D）
向量：一维张量（1D）
矩阵：二维张量（2D）
多维数组：三维或更高维的张量（3D+）

2，创建张量

可以通过多种方式来创建张量，常见的有从列表创建，使用 torch.zeros 创建全零张量，使用 torch.ones 创建全一张量，使用 torch.rand 创建随机张量，从 NumPy 数组转换，下面是示例：

复制代码

import torch

# 从 Python 列表创建一个一维张量
tensor_1d = torch.tensor([1, 2, 3, 4, 5])
print(tensor_1d)  # 输出：tensor([1, 2, 3, 4, 5])

# 从嵌套列表创建二维张量
tensor_2d = torch.tensor([[1, 2], [3, 4], [5, 6]])
print(tensor_2d)  # 输出：tensor([[1, 2], [3, 4], [5, 6]])

# 创建一个形状为 (2, 3) 的全零张量
tensor_zeros = torch.zeros(2, 3)
print(tensor_zeros)  # 输出：tensor([[0., 0., 0.], [0., 0., 0.]])

# 创建一个形状为 (3, 3) 的全一张量
tensor_ones = torch.ones(3, 3)
print(tensor_ones)  # 输出：tensor([[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]])

# 创建一个形状为 (2, 2) 的随机张量，元素值在 [0, 1) 范围内  torch.randn() 是 PyTorch 中用于生成服从标准正态分布（均值为 0，标准差为 1）的随机张量的函数。
tensor_rand = torch.rand(2, 2)
print(tensor_rand)  # 输出：tensor([[0.1353, 0.7184], [0.5225, 0.8931]])

import numpy as np

# 创建一个 NumPy 数组
np_array = np.array([1, 2, 3])

# 将 NumPy 数组转换为 PyTorch 张量
tensor_from_numpy = torch.tensor(np_array)
print(tensor_from_numpy)  # 输出：tensor([1, 2, 3])

运行输出：

复制代码

tensor([1, 2, 3, 4, 5])
tensor([[1, 2],
        [3, 4],
        [5, 6]])
tensor([[0., 0., 0.],
        [0., 0., 0.]])
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])
tensor([[0.5516, 0.5451],
        [0.2829, 0.1066]])
tensor([1, 2, 3])

3，张量的常见操作

张量的常见操作有张量加法，张量乘法，张量维度变换，张量转置，张量拼接，张量切片等。下面是示例：

复制代码

import torch

# 两个张量相加
tensor_a = torch.tensor([1, 2, 3])
tensor_b = torch.tensor([4, 5, 6])
sum_tensor = tensor_a + tensor_b
print(sum_tensor)  # 输出：tensor([5, 7, 9])

# 张量元素级别的乘法
product_tensor = tensor_a * tensor_b
print(product_tensor)  # 输出：tensor([4, 10, 18])

# 矩阵乘法
matrix_a = torch.tensor([[1, 2], [3, 4]])
matrix_b = torch.tensor([[5, 6], [7, 8]])
matrix_product = torch.matmul(matrix_a, matrix_b)
print(matrix_product)

# 改变张量的形状（例如，1D → 2D）
tensor_1d = torch.tensor([1, 2, 3, 4, 5, 6])
reshaped_tensor = tensor_1d.view(2, 3)  # 变换为2行3列的矩阵
print(reshaped_tensor)  # 输出：tensor([[1, 2, 3], [4, 5, 6]])

# 对一个二维张量进行转置
tensor_2d = torch.tensor([[1, 2], [3, 4], [5, 6]])
transposed_tensor = tensor_2d.T
print(transposed_tensor)  # 输出：tensor([[1, 3, 5], [2, 4, 6]])

# 按维度拼接两个张量
tensor_a = torch.tensor([1, 2])
tensor_b = torch.tensor([3, 4])
concatenated_tensor = torch.cat((tensor_a, tensor_b), dim=0)
print(concatenated_tensor)  # 输出：tensor([1, 2, 3, 4])

# 获取张量的切片
tensor = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(tensor)
slice_tensor = tensor[1:, 1:]
print(slice_tensor)  # 输出：tensor([[5, 6], [8, 9]])

运行输出：

复制代码

tensor([5, 7, 9])
tensor([ 4, 10, 18])
tensor([[19, 22],
        [43, 50]])
tensor([[1, 2, 3],
        [4, 5, 6]])
tensor([[1, 3, 5],
        [2, 4, 6]])
tensor([1, 2, 3, 4])
tensor([[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]])
tensor([[5, 6],
        [8, 9]])

4，张量的常见属性

tensor.shape: 返回张量的形状（即维度）
tensor.size(): 返回张量的尺寸，和 .shape 类似
tensor.device: 返回张量所在的设备（CPU 或 GPU）
tensor.dtype: 返回张量的数据类型

示例：

复制代码

import torch

tensor_2d = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32)
print(tensor_2d.shape)  # 输出：torch.Size([2, 2])
print(tensor_2d.device)  # 输出：cpu
print(tensor_2d.dtype)  # 输出：torch.float32

运行输出：

复制代码

torch.Size([2, 2])
cpu
torch.float32