目录
[一、张量和numpy 转换](#一、张量和numpy 转换)
[五、张量 形状改变](#五、张量 形状改变)
一、张量和numpy 转换
关键：
1.t0.numpy().copy() 不共享内存
2.ndarray -> 共享内存
3.张量 -> 标量 （只支持一个元素）
python
"""
张量 -> ndarray
深copy 不共享内存
"""
t0 = torch.randint(low=0,high=10,size=(2,3))
print(t0)
# 深copy 不共享内存
arr0 = t0.numpy().copy()
print(arr0)
"""
ndarray -> 张量
共享内存
"""
arr1 = np.array([[1,2,3],[4,5,6],[7,8,9]])
t1 = torch.from_numpy(arr1)
t1[0][0] = -1
print(t1)
print(arr1)
"""
张量 -> 标量
只支持一个元素
"""
t2 = torch.tensor(10)
print(t2.item())二、张量运算
关键点：
1.前提条件 形状相同
add、sub、mul、div、neg(取反 = 相当于 * -1)
add_、sub_、mul_、div_、neg_ (带**_** 会改变自身)
2.矩阵 点乘 元素1:1对应 形状不变
用 * 或者 mul函数
- 矩阵 相乘
（前提） 前一个矩阵的列 和 后一个矩阵的行 相同
用 @ 或者 matmul 函数
python
t0 = torch.tensor([10,20,30])
t1 = torch.tensor([11,21,31])
"""
前提条件 形状相同
add、sub、mul、div、neg(取反 = 相当于 * -1)
add_、sub_、mul_、div_、neg_ (带_ 会改变自身)
"""
print('乘法: -> ')
print(t0.mul_(2))
print('加法: -> ')
print(t0 + t1)
"""
矩阵 点乘 元素1:1对应 形状不变
* 或者 mul 函数
"""
t00 = torch.tensor([[1,2,3],[4,5,6]])
t01 = torch.tensor([[10,20,30],[40,50,60]])
print('矩阵 点乘: * ->')
t_new = t00 * t01
print(t_new)
"""
矩阵 相乘
（前提） 前一个矩阵的列 和 后一个矩阵的行 相同
@ 或者 matmul 函数
"""
t000 = torch.tensor([[1,2,3],[4,5,6],[7,8,9]]) # (2,3) 3行
t001 = torch.tensor([[10,100],[20,200],[30,300]]) # (3,2) 1列
print('矩阵 相乘: @ -> ')
# [[1 * 10 + 2 * 20 + 3 * 30],[1 * 100 + 2 * 200 + 3 * 300]] = [[140],[1400],
# [[4 * 10 + 5 * 20 + 6 * 30],[4 * 100 + 5 * 200 + 6 * 300]] = [320],[3200],
# [[7 * 10 + 8 * 20 + 9 * 30],[7 * 300 + 8 * 200 + 9 * 300]] = [500],[5000]]
t_new1 = t000@t001
# t_new1 = t000.matmul(t001)
print(t_new1)三、张量的索引
python
t0 = torch.randint(0, 10, (4,5))
print(t0)
r1 = t0[:-1] #相当于取 (3,3) 里的 (2,3)
print(r1)
r2 = t0[:,-1] #相当于取 (4,5) 里面的 最后一列
# r2 = t0[:,2] #相当于取 (4,5) 里面的 取第三列
print(r2)
r3 = t0[1:3,:2] #相当于取 第2 第3行 的前两列
print(r3)
r4 = t0[1::2,:2] #从第2行开始，间隔1行 的所有行的前两列
print(r4)
r5 = t0[[2,3],[3,4]] #取 【(3,4) , (4,5)】的值
print(r5)
r6 = t0[[[2],[3]],[3,4]] #取 [[(3,4) (3,5)],[(4,4),(4,5)]]的值
print(r6)
r7 = t0[:,t0[1]>5] #取 t0[1]这行 大于5这个值的 对应列
print(r7)四、张量的计算函数
函数：
均值 mean 函数
累加 sum
最小值 min
最大值 max
pow 次幂 pow（2）
根号 sqrt
e的x次方 exp
对数 log
等
必须是浮点型，这里只举一个例子。
python
t0 = torch.randint(low=0, high=10, size=(3,4),dtype=torch.float)
print(t0)
print(t0.mean())
print(t0.mean(dim=0)) #第0维 求平均 3个元素的
print(t0.mean(dim=1)) #第1维 求平均 4个元素的五、张量 形状改变
关键：
- reshape 修改形状
（-1,1） 第一个参数代表行数自动算，第二个参数，分几列
2.升维度 unsqueeze 默认dim=0. unsqueeze(dim=?).
3.降维度 squeeze 降维 只能降维度为1的 ， dim=-1 时，降最里面的
4.换维度 transpose（dim= ？，dim=？） 两个维度兑换
5.同时换 permute （dims=(1,2,0)） 这里1,2,0 是维度的索引
python
import torch
t0 = torch.tensor([[1, 2, 3,4], [5, 6, 7, 8]])
# size (2,4) -> (8,1) 总个数要相同
"""
tensor([[1],
[2],
[3],
[4],
[5],
[6],
[7],
[8]])
"""
t1 = t0.reshape(8,1)
print(t1)
"""
tensor([[1, 2],
[3, 4],
[5, 6],
[7, 8]])
参1： 行数自动算
参2: 2列
"""
t2 = t0.reshape(-1,2)
print(t2)
"""
t0: [[1, 2, 3,4],
[5, 6, 7, 8]]
(2,4)
升维度 unsqueeze
"""
"""
t0: [[1, 2, 3,4],
[5, 6, 7, 8]]
t30 = [[[1, 2, 3,4],
[5, 6, 7, 8]]]
"""
t30 = t0.unsqueeze(dim=0) #(2,4) -> (1,2,4)
"""
t0: [[1, 2, 3,4],
[5, 6, 7, 8]]
t31 = [[[1, 2, 3,4]],
[[5, 6, 7, 8]]]
"""
t31 = t0.unsqueeze(dim=1) #(2,4) -> (2,1,4)
"""
t0: [[1, 2, 3,4],
[5, 6, 7, 8]]
t32 = [[[1], [2], [3],[4]],
[5], [6], [7], [8]]]
"""
t32 = t0.unsqueeze(dim=2) #(2,4) -> (2,4,1)
print(t30)
print('=' * 50)
print(t31)
print('=' * 50)
print(t32)
"""
降维度 squeeze 只能降维度为1的
（1，2，4） -> (2,4)
"""
t4 = torch.tensor(
[[[1, 2, 3,4],
[5, 6, 7, 8]]])
print(t4.shape)
t40 = t4.squeeze()
print(t40)
print(t40.shape)
"""
torch.Size([2, 1, 3, 1, 4, 1])
torch.Size([2, 3, 4])
"""
t5 = torch.randint(0,10,size=(2,1,3,1,4,1))
print(t5.shape)
t50 = t5.squeeze()
print(t50.shape)
"""
torch.Size([2, 1, 3, 1, 4, 1])
torch.Size([2, 1, 3, 1, 4])
降最里面的
"""
t51 = t5.squeeze(dim=-1)
print(t51.shape)
"""
换维度
# 需求1：(3,4,5) -> (3,5,4)
t1 = t0.transpose(dim0=2,dim1=1)
# 需求2：(3,4,5) -> (4,5,3)
t2 = t0.transpose(dim0=0,dim1=1).transpose(dim0=1,dim1=2)
# permute：同一时刻可以交换任意个位置的形状
# 需求：(3,4,5) -> (4,5,3)
# 索引：(0,1,2) -> (1,2,0)
t1 = t0.permute(dims=(1,2,0))
"""六、张量的拼接
关键：
- cat
dim=0 拼行 ，列数要相同
dim=1 拼列， 行数要相同
拼接的那个维度，元素个数要一致！！！
2.stack
两个完全相同形状，同时拼接后结果会进行升维
python
"""
cat/stack 拼接
cat 拼接的那个维度 元素个数要一致
比如 (2,3) (2,4) 不能行拼接，只能列拼接
(2,3) (3,3) 只能行拼接，不能列
"""
"""
t0 [[1,2,3], t1 [[11,12,13],
[4,5,6]] [14,15,16]]
tensor([[ 1, 2, 3], tensor([[ 1, 2, 3, 11, 12, 13],
[ 4, 5, 6], [ 4, 5, 6, 14, 15, 16]])
[11, 12, 13],
[14, 15, 16]])
torch.Size([4, 3]) torch.Size([2, 6])
"""
t0 = torch.tensor([[1,2,3],[4,5,6]])
t1 = torch.tensor([[11,12,13],[14,15,16]])
cat_t1 = torch.cat([t0,t1],dim=0) # 二维张量的情况下，dim=0按行进行拼接
print(cat_t1)
print(cat_t1.shape)
cat_t2 = torch.cat([t0,t1],dim=1) # 二维张量的情况下，dim=0按行进列拼接
print(cat_t2)
print(cat_t2.shape)
"""
stack 两个完全相同形状，同时拼接后结果会进行升维
t0 [[1,2,3], t1 [[11,12,13],
[4,5,6]] [14,15,16]]
（2，3） （2，3）
-> (2,2,3) dim=0 行拼升维 -> (2,2,3)
tensor([[[ 1, 2, 3],
[ 4, 5, 6]],
[[11, 12, 13],
[14, 15, 16]]])
-> (2,2,3) dim=1 列拼升维 -> (2,2,3)
tensor([[[ 1, 2, 3],
[11, 12, 13]],
[[ 4, 5, 6],
[14, 15, 16]]])
-> (2,2,3) dim=2 维度2 -> (2,3,2)
tensor([[[ 1, 11],
[ 2, 12],
[ 3, 13]],
[[ 4, 14],
[ 5, 15],
[ 6, 16]]])
"""
stack_t1 = torch.stack([t0,t1])
print(stack_t1)
print(stack_t1.shape)