李沐动手学深度学习1——数据操作

李沐动手学深度学习，有视频、有中文电子书(含配套代码)，推荐！

视频（B站搜一大堆）：https://www.bilibili.com/video/BV1fsmyYnEfw?spm_id_from=333.788.videopod.episodes&vd_source=0199f117e2bdbb60970034d4f33ff67d

官网电子书：https://zh.d2l.ai/index.html

代码如下，pytorch的数据操作和numpy很接近，理解起来难度不大：

import torch

# 创建行向量
x = torch.arange(12)

# numel:返回元素总数
print(x.shape, x, x.numel())
print(x.reshape(3, 4))

# 全0、全1张量
print(torch.zeros(2, 3, 4))
print(torch.ones(2, 3, 4))

# 列表初始化张量
print(torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]]))

# 算术运算
x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
print(x+y, x-y, x*y, x/y, x**y)

# 指数运算
print(torch.exp(x))

# 连结张量
X = torch.arange(12, dtype=torch.float32).reshape((3, 4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
print(torch.cat((X, Y), dim=0), torch.cat((X, Y), dim=1), sep="\n")

# 逻辑符构建张量
print(X == Y)

# 对张量求和会返回一个只有一个元素的张量
print(X.sum())

# 张量切片,冒号左右两个下标为左开右闭区间
print(X[-1], X[1:3], X[1:3, 1:3], sep="\n")

# 张量元素赋值
X[2, 2] = 100
X[0:2, ] = 99
print(X)

# 对已赋值的tensor变量重新赋值会导致其内存变化
# 对已赋值的tensor变量切片赋值或+=之类的原地操作（+为非原地操作）不会分配新内存
before = id(Y)
Y = Y+1
print(id(Y) == before)
before = id(Y)
Y -= 1
print(id(Y) == before)
before = id(Y)
Y[:] = Y+1
print(id(Y) == before)

# tensor/ndarray转换
A = X.numpy()
B = torch.tensor(A)
print(type(A), type(B))

# tensor转标量
a = torch.tensor([3.5])
# item函数只适用于提取单元素张量的元素
print(type(a), type(a.item()), type(float(a)))