深度学习2-pyTorch学习-张量基本操作

张量的索引

如果A是一个矩阵，在matlab中我们取出来A矩阵的第m行n列的元素，可以用A(m,n)。取出来第i行的元素可以用A(i,:)，取出来第i列的元素，可以用A(:,i)。而对于pytorch中的张量，它的索引略有不同：

复制代码

import torch
tensor = torch.tensor([[1,2,3],[4,5,6]],dtype = torch.float32)
print("原始张量:\n",tensor)

#1. ** 索引和切片操作**
print("获取第一行：",tensor[0])
print("获取第一行第一列的元素：",tensor[0,0])
print("获取第二列的所有元素：",tensor[:,1])
print("获取第一行的另外一种方法：",tensor[0,:]) #pytorch中tensor的索引是从0开始的

打印出来的：

复制代码

原始张量:
 tensor([[1., 2., 3.],
        [4., 5., 6.]])
获取第一行： tensor([1., 2., 3.])
获取第一行第一列的元素： tensor(1.)
获取第二列的所有元素： tensor([2., 5.])
获取第一行的另外一种方法： tensor([1., 2., 3.])

可以发现，pytorch中的张量的索引默认是从0开始的，例如，我们取矩阵的第1行，就是tensor.[0,:]当然也可以不写冒号，那就是tensor[0]。其次我们可以发现，pytorch中对张量索引的格式是tensor[]，采用的是方括号，而不是matlab中的圆括号。

复制代码

print("张量的最大值:",tensor.max())
print("张量的最大值:",torch.max(tensor))
print("张量的最小值:",tensor.min())
print("张量的均值:",tensor.mean())
maxId = torch.argmax(tensor)
print("张量的最大值的索引",maxId)
minId = torch.argmin(tensor)
print("张量的最小值索引：",minId)

max_indices = torch.where(tensor == tensor.max())
print(f"最大值位置 (行, 列): {max_indices}")

张量形状变换

复制代码

#2. ** 形状变换操作 **
print("\n [形状变换]")
reshaped = tensor.view(3,2)  # 改变张量形状为3X2，即3行两列
print("改变形状后的张量：\n",reshaped)
flattenedTensor = tensor.flatten() # 将张量展平成一维
print("展平后的张量：\n",flattenedTensor)

tensor.view(M,N)可以将张量变为M行N列。注意张量形状改变前后的总元素数量必须一样，否则会报错，例如原来的张量是2X3，那么可以改变为3X2，但是不能变为3X4，例如以下程序：

复制代码

print("\n [形状变换]")
reshaped = tensor.view(3,4)  # 改变张量形状
print("改变形状后的张量：\n",reshaped)

输出如下：

复制代码

reshaped = tensor.view(3,4)  # 改变张量形状为3X2，即3行两列
RuntimeError: shape '[3, 4]' is invalid for input of size 6

张量的基本运算

加减乘求和，这些基本运算就是所有运算的基础，操作起来没什么说的

复制代码

#3. ** 张量的数学运算 **
print("张量的数学运算：\n")
tensorAdd = tensor + 10;
print("张量加10：\n",tensorAdd)
tensorMul = tensor * 2 # 张量乘法
print("张量乘2：\n",tensorMul)
tensorDot = tensor.sum()
print("张量元素求和：",tensorDot)

pytorch的张量，默认的保存格式都是float型，例如，上面我们原始的张量的输入是整数，但最终打印出来的数都带着个小数点，这就在提示我们，它将数据作为浮点型进行了保存。

矩阵的乘法

复制代码

#4. ** 与其他张量的操作 **
print("\n[与其他张量操作]")
tensor2 = torch.ones(3,2)
print("另一个张量：\n",tensor2)
tensorDot = torch.matmul(tensor,tensor2)
print("张量的矩阵乘法：\n",tensorDot)

这个没什么好所的，就是矩阵乘法罢了。

条件判断

复制代码

# 5.** 条件判断和筛选 **
print("\n [条件判断和筛选]")
mask = tensor > 3 # 判断一个布尔掩码
print("大于3的元素的布尔掩码：\n", mask)
filterTensor = tensor[tensor > 3] # 筛选出符合条件的元素
print("大于3的元素：\n",filterTensor)