pytorch学习日记(2)

学习参考：菜鸟教程

张量

维度由[]决定，一层[]就是一维。
基本操作

操作	说明	示例代码
+, -, *, /	元素级加法、减法、乘法、除法。	z = x + y
torch.matmul(x, y)	矩阵乘法。	z = torch.matmul(x, y)
torch.dot(x, y)	向量点积（仅适用于 1D 张量）。	z = torch.dot(x, y)
torch.sum(x)	求和。	z = torch.sum(x)
torch.mean(x)	求均值。	z = torch.mean(x)
torch.max(x)	求最大值。	z = torch.max(x)
torch.min(x)	求最小值。	z = torch.min(x)
torch.argmax(x, dim)	返回最大值的索引（指定维度）。	z = torch.argmax(x, dim=1)
torch.softmax(x, dim)	计算 softmax（指定维度）。	z = torch.softmax(x, dim=1)

这个torch.argmax(x, dim)想了一下午终于知道怎么计算的了，这里只写规律，具体的实例大家自己写一个简单的就可以验证了。

• 一维:dim = 0 时，选取向量中的最大值，大小为1;
• 二维(m * n):dim = 0 时，每个向量中各元素逐次比大小，选取最大值，大小为 1 * n;
  dim = 1 时，在每个向量中选取最大值，大小为 1 * m;
• 三维(v * m * n):dim = 0 时，每个矩阵中各元素逐次比大小，选取最大值，大小为 m * n;
  dim = 1 时，在每个矩阵中的每个向量个元素逐次比较，选取最大值，大小为 v * n;
  dim = 2 时，选取每个向量中元素的最大值，大小为 v * m;
• 四维(q * v * m * n):dim = 0 时，选取每个三维数据中的各矩阵中各元素比较，选取最大值，大小为 v * m * n;
  dim = 1 时，每个矩阵中各元素逐次比大小，选取最大值，大小为 q * m * n;
  ······
  从中也可以发现规律，选择哪个维度，这个维度上的特征就逐个比大小，形状就是其他维度的特征数相乘。搞明白之后感觉还挺简单的，但是一开始确实没有搞懂。

形状操作

操作	说明	示例代码
x.view(shape)	改变张量的形状（不改变数据）。	z = x.view(3, 4)
x.reshape(shape)	类似于 view，但更灵活。	z = x.reshape(3, 4)
x,flatten()	将张量平摊为一维
x.t()	转置矩阵。	z = x.t()
x.unsqueeze(dim)	在指定维度添加一个维度。	z = x.unsqueeze(0)
x.squeeze(dim)	去掉指定维度为 1 的维度。	z = x.squeeze(0)
torch.cat((x, y), dim)	按指定维度连接多个张量。	z = torch.cat((x, y), dim=1)

注意:
reshape不能损失值，元素个数要和变换前相同。
squeeze只删除长度为1的维度，否则不发生改变
示例：

点击查看代码

x = torch.randn(1, 2, 1)
print(x)
print(x.squeeze(0))
print(x.squeeze(2))

##
  结果：
  tensor([[[0.1409],
         [0.7517]]])
  tensor([[0.1409],
          [0.7517]])
  tensor([[0.1409, 0.7517]])
##

张量与numpy的转换

操作	说明	示例代码
torch.from_numpy(ndarray)	将 NumPy 数组转换为张量。	x = torch.from_numpy(np_array)
x.numpy()	将张量转换为 NumPy 数组（仅限 CPU 张量）。	np_array = x.numpy()

一般情况下，张量和其对应的numpy数组是同步变化的，但是使用了clone()函数后就不同步了。