Numpy和Tensor

关于张量Tensor

1. “张量”并非 PyTorch 独有

虽然你问的是 torch 库，但需要知道，“张量”是深度学习领域的通用数学概念：

PyTorch 中叫 torch.Tensor

TensorFlow 中叫 tf.Tensor

JAX 中也有类似的 DeviceArray

它们在设计理念上高度一致，都是对 NumPy 的 ndarray 的“进化版”。

2. Tensor 和 NumPy ndarray 的关系（重点）

你可以把 torch.Tensor 理解为 “带 GPU 加速和自动求导功能的 NumPy 数组”：

相同点：用法极其相似，支持索引、切片、广播、各种数学运算，语法几乎和 NumPy 无缝切换。

升级点（核心差异）：

GPU 加速：张量可以轻松从 CPU 搬到 GPU（.cuda()），实现并行计算，这是深度学习的算力基础。

自动求导（Autograd）：张量可以记录运算历史（requires_grad=True），PyTorch 会自动帮您计算梯度，这是训练神经网络反向传播的核心。

3. 关于你问的 “tensor向量”

在 PyTorch 中，“向量”特指 1 维的张量（1D Tensor）。张量的维度（秩）决定了它的叫法：

0 维：标量（一个数）

1 维：向量（一组数） → 这就是你说的“tensor向量”

2 维：矩阵（表格）

3 维及以上：高维张量（如图片批次 [Batch, Channel, Height, Width]）

关于Numpy,首先NumPy 的绝对基石是 ndarray（N维数组对象）

一、Numpy是 Python 科学计算生态的基石，围绕其核心的 ndarray 对象，提供了一整套高效、精密的数值计算工具箱

1. 高级数学与统计运算

NumPy 内置了大量数学和统计函数，可以直接在整个数组上操作。

数学运算: 包括三角函数、指数对数、加减乘除等。

统计函数: 提供如均值 (mean)、标准差 (std)、方差 (var)、中位数、百分位数 (percentile) 等统计量的计算。

线性代数 (numpy.linalg): 提供矩阵乘法、求解线性方程组、计算特征值、进行奇异值分解 (SVD) 等高级运算。

傅里叶变换 (numpy.fft): 用于将信号从时域转换到频域，在信号处理、图像处理等领域应用广泛。

随机数生成 (numpy.random): 支持从多种概率分布（如正态分布、均匀分布等）中生成随机数，用于模拟和采样。

2. 数据操作与实用工具

除了数值计算，NumPy 还提供了大量辅助功能。

数组操作：除了我们讨论过的索引、切片，还包括改变形状 (reshape)、转置 (transpose)、拼接 (concatenate) 等。

排序、搜索与计数：提供对数组进行排序 (sort)、搜索特定值、统计元素个数等功能。

文件输入/输出 (I/O)：能够将数组数据高效地读写到磁盘上的文本或二进制文件中。

二、**NumPy 最大的价值之一，在于它是整个 Python 科学计算生态的“通用语”。

与其他库交互: Pandas、SciPy、Matplotlib、scikit-learn 乃至深度学习的 PyTorch 和 TensorFlow，其底层数据结构和运算都深度依赖于 NumPy。掌握 NumPy 是使用这些高级库的前提。

数据结构的基石：ndarray 与内存布局

这是物理上的“地基”。ndarray 本质上是一个数据块指针，它要求所有元素类型相同（由 dtype 定义），并在内存中连续存储（默认按 C 语言的行优先顺序）。

这种设计让 CPU 能通过内存地址直接计算偏移量（借助 strides 步长）来定位元素，访问速度极快，且缓存命中率极高。

计算方式的基石：向量化运算（ufunc）

这是逻辑上的“发动机”。如果没有向量化，ndarray 就是个普通容器。NumPy 将所有循环操作都“下沉”到了 C 语言层，让你能对整个数组执行数学运算，而无需写 Python 级别的 for 循环。

这种“数组级编程”模式，是 NumPy 比原生 Python 列表快几十到上百倍的根源。

交互规则的基石：广播机制（Broadcasting）

这是数组间的“语法规则”。它定义了不同形状（shape）的数组如何进行算术运算。正是这套规则，让你能用 arr + 1 给所有元素加 1，或者让 (3,4) 和 (4,) 的数组无缝相加，极大地简化了代码，同时又避免了低效的复制内存。

打个形象的比方：
如果 NumPy 是一座城市：

ndarray（连续内存 + dtype）是城市规划图（决定了建筑怎么盖，数据怎么铺）；

向量化运算（ufunc）是高铁网络（决定了运算速度有多快）；

广播机制是交通规则（决定了不同尺寸的“数据车”怎么并道行驶）。

点击查看Numpy代码

#学习矩阵
import numpy
import numpy as np
# import torch

#1.首先看一下列表和矩阵的不同, 通过打印的方式
list1 = [
    [1,2,3,4,5],
    [6,7,8,9,10],
    [11,12,13,14,15]
 ]
print(list1)
#把列表list1转化为矩阵, 就是一个有逗号，一个没有
array1 = np.array(list1) 
print(array1)
# array2 = np.array(list1)
# #矩阵的合并操作 
# array3 = np.concatenate((array1,array2),axis=0)  #axis表示轴
# print(array3)
# array4 = np.concatenate((array1,array2),axis=1)      
# print(array4)                  
#矩阵的切片
print(array1[1:3])  # array1[1:3] 取出索引为 [1, 2] 的元素,不包含索引3，array下标默认从0开始；range(1, 3) 生成 [1, 2]不包含 3；
print(array1[1:3,1:4])

点击查看Tensor代码

import torch
import numpy as np


'''如何列表转为张量，如何创建张量，如何求梯度'''
list1 = [
        [1,2,3,4,5],
        [6,7,8,9,10],
        [11,12,13,14,15]
    ]
array1 = np.array(list1)
tensor1 = torch.tensor(array1)  #创建张量，也可以这样写tensor1 = torch.tensor(list1)
print(list1)
print(array1)
print(tensor1)

# x = torch.tensor(3.0)  #创建张量
# x.requires_grad_(True)
# y = x**2
# y.backward()  #求函数梯度
# print(x.grad)  #2x 当x=3时，值是6

# #x = x.detach()  #detach表示取下来的意思
# x.grad = torch.tensor(0.0)
# x = torch.tensor(3.0)  #创建张量
# x.requires_grad_(True)
# y2 = x**2
# y2.backward()  #求函数梯度
# print(y2)
# print(x.grad)


# '''如何创建一个多维的张量，如何创建一个有方差的张量'''
# tensor1 = torch.ones((10,4)) #创建一个内容为1, 形状为10行4列的张量
# print(tensor1)
# tensor2 = torch.zeros((5,4))
# print(tensor2)
# tensor3 = torch.normal(100,0.002,(5,4))   #创建一个内容为100,方差是0.02, 形状为5行4列的张量
# print(tensor3)

'''张量内部 每行/每列求和'''
# tensor1 = torch.ones((10,4))
# sum1 = torch.sum(tensor1, dim=0)  #dim表示维度，dim=0表示竖着求和， dim=1表示横着求和 每行， dim=2表示z轴方向上的数求和
# print(tensor1)
# print(sum1)

# sum2 = torch.sum(tensor1, dim=1, keepdim=True)
# print(sum2)

posted @ 2026-08-23 00:21 小小冰&碎冰冰阅读(5) 评论(0) 收藏举报

刷新页面返回顶部