目录

一、数据操作

1. N维数组样例 

2. 访问元素

3. 基础函数

（1） 创建一个行向量

（2）通过张量的shape属性来访问张量的形状和元素总数

（3）reshape()函数

（4）创建全0、全1、其他常量或从特定分布中随机采样的数字组成的张量

（5）标准运算（张量间的标准运算，都是按元素运算）

（6）拼接函数cat

（7）求和函数sum

（8）矩阵的转置

（9）复制张量

（10）点积，矩阵-向量积和矩阵乘法

（11）范数

4.广播机制

5.转化为Numpy张量

---

课程推荐：跟李沐学AI的个人空间-跟李沐学AI个人主页-哔哩哔哩视频

一、数据操作

1. N维数组样例 

（1）0-d 标量

1.0

（2）1-d 向量

[1.0, 2.7, 3.4]

（3）2-d 矩阵

[[1.0, 2.7, 3.4][5.0, 0.2, 4.6][4.3, 8.5, 0.2]]

（4）3-d RGB图片（CxHxW）

[[[1.0,2.7,3.4][5.0,0.2,4.6][4.3,8.5,0.2]][[3.2, 5.7, 3.4][5.4, 6.2, 3.2][4.1, 3.5, 6.2]]]

（5）4-d 一个RGB图片批量（BxCxHxW）

（6）5-d 一个视频批量（TxBxCxHxW）

2. 访问元素

切片规则：[start : end : step]

start : 起始索引，从0开始，-1表示结束。
end：结束索引，不包含。
step：步长，即范围内每次取值的间隔；步长为正时，从左向右取值。步长为负时，反向取值。

（1）访问一个元素

[1, 2]

>>> x = torch.arange(1, 17).reshape(4, 4)
>>> x[1, 2]
tensor(7)

（2）访问一行

[1,:]

>>> x[1,:]
tensor([5, 6, 7, 8])

（3）访问一列

 [:,1]

>>> x[:,1]
tensor([ 2,  6, 10, 14])

（4）子区域

[1:3,1:]

>>> x[1:3,1:]
tensor([[ 6,  7,  8],[10, 11, 12]])

[::3,::2]

>>> x[::3,::2]
tensor([[ 1,  3],[13, 15]])

3. 基础函数

（1） 创建一个行向量

x = torch.arange(12)
x  #tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

（2）通过张量的shape属性来访问张量的形状和元素总数

x.shape # torch.Size([12])
x.size() # torch.Size([12])

（3）reshape()函数

改变一个张量的形状 。

X = x.reshape(3,4)
X
# tensor([[ 0,  1,  2,  3],
#         [ 4,  5,  6,  7],
#         [ 8,  9, 10, 11]])

（4）创建全0、全1、其他常量或从特定分布中随机采样的数字组成的张量

全0： 第一个参数为张量的shape。

torch.zeros((2,3,4))
# tensor([[[0., 0., 0., 0.],
#          [0., 0., 0., 0.],
#          [0., 0., 0., 0.]],#         [[0., 0., 0., 0.],
#          [0., 0., 0., 0.],
#          [0., 0., 0., 0.]]])

全1：

torch.ones((1,3,4))
# tensor([[[1., 1., 1., 1.],
#          [1., 1., 1., 1.],
#          [1., 1., 1., 1.]]])

其他常量（指定值）：

torch.tensor([[1,2],[2,1]])
# tensor([[1, 2],
#         [2, 1]])

（5）标准运算（张量间的标准运算，都是按元素运算）

x = torch.tensor([1.0, 2, 3, 4])
y = torch.tensor([5, 6, 7, 8])
x+y,x-y,x*y,x/y,x**y 
# (tensor([ 6.,  8., 10., 12.]), tensor([-4., -4., -4., -4.]), tensor([ 5., 12., 21., 32.]), tensor([0.2000, 0.3333, 0.4286, 0.5000]), tensor([1.0000e+00, 6.4000e+01, 2.1870e+03, 6.5536e+04]))

比较运算符，按位比较

x == y
# tensor([False, False, False, False])

 * 按位相乘，称为哈达玛乘（数学符号）。

>>> A = torch.arange(9).reshape(3,3)
>>> A
tensor([[0, 1, 2],[3, 4, 5],[6, 7, 8]])
>>> B = torch.arange(9,18).reshape(3,3)
>>> B
tensor([[ 9, 10, 11],[12, 13, 14],[15, 16, 17]])
>>> A * B
tensor([[  0,  10,  22],[ 36,  52,  70],[ 90, 112, 136]])

（6）拼接函数cat

torch.cat(inputs, dim=?)

• inputs : 待连接的张量序列，可以是任意相同Tensor类型的python 序列
• dim : 选择的扩维, 必须在0到len(inputs[0])之间，沿着此维连接张量序列。

dim=0，表示按第0维方向拼接，即按行方向拼接；dim=1，表示按第0维方向拼接，即按列方向拼接；dim=3…… 

y = torch.tensor(([[4, 1],[3, 5]]))
x = torch.arange(4, dtype=torch.float32).reshape(2, 2)
torch.cat((x, y), dim=0)
# tensor([[0., 1.],
#         [2., 3.],
#         [4., 1.],
#         [3., 5.]])torch.cat((x, y), dim=1)
# tensor([[0., 1., 4., 1.],
#         [2., 3., 3., 5.]])

（7）求和函数sum

参数1，axis：指定求和维度，张量按该维度求和，并将该维度消去。

如，张量形状为[2, 5, 4]，axis=0时，求和后，张量形状为[5, 4]。

参数2，keepdims：默认为False，是否保留axis要消去的维度。keepdims=True时，将要消去的维度长度置为1。

如，张量形状为[2, 5, 4]，axis=0，keepdims=True时，求和后，张量形状为[1,5, 4]。

1）张量中的所有元素求和：

x = torch.tensor([1.0, 2, 3, 4])
x.sum()
# tensor(10.)

2）按行（第0维）求和：

>>> A = torch.arange(9).reshape(3,3)
>>> A
tensor([[0, 1, 2],[3, 4, 5],[6, 7, 8]])>>> A.sum(axis=0)
tensor([ 9, 12, 15])

3）按列（第1维）求和： 

>>> A.sum(axis=1)
tensor([ 3, 12, 21])

2维求和，3维……

4）keepdims（保留维度）：

按某一维度求和时，保留该维度，该维度长度置为1。

>>> A
tensor([[0, 1, 2],[3, 4, 5],[6, 7, 8]])>>> A.sum(axis=1).size()
torch.Size([3])>>> A.sum(axis=1,keepdims=True).size()
torch.Size([3, 1])>>> A.sum(axis=1,keepdims=True)
tensor([[ 3],[12],[21]])

# 按列求均值
>>> A/A.sum(axis=1,keepdims=True)
tensor([[0.0000, 0.3333, 0.6667],[0.2500, 0.3333, 0.4167],[0.2857, 0.3333, 0.3810]])

5）指定多维度求和

A.sum(axis=[n, m])，按n和m维度求和，求和结果中其他维度不变，将n，m维度消去。

>>> A = torch.arange(8).reshape(2,2,2)
>>> A
tensor([[[0, 1],[2, 3]],[[4, 5],[6, 7]]])# 保留第1维度
>>> A.sum(axis=[0,2]).size()
torch.Size([2])# 使用keepdims保留要消去的维度，将维度长度置为1
>>> A.sum(axis=[0,2],keepdims=True).size()
torch.Size([1, 2, 1])# 输出
>>> A.sum(axis=[0,2])
tensor([10, 18])

（8）矩阵的转置

>>> import torch
>>> B = torch.tensor(([1,2,3],[4,5,6],[7,8,9]))
>>> B
tensor([[1, 2, 3],[4, 5, 6],[7, 8, 9]])
>>> B.T
tensor([[1, 4, 7],[2, 5, 8],[3, 6, 9]])

（9）复制张量

“=”，复制之后的两个张量共用一个内存地址。

>>> A = B
>>> id(B)
1950198475976
>>> id(A)
1950198475976
>>> B[0]=10
>>> B
tensor([10,  2,  3,  4,  5,  6,  7,  8,  9])
>>> A
tensor([10,  2,  3,  4,  5,  6,  7,  8,  9])

clone()，重新分配内存地址。

>>> A=B.clone()
>>> id(A)
1950198519512
>>> id(B)
1950198475976

（10）点积，矩阵-向量积和矩阵乘法

向量点积—dot函数（1维）：

>>> A = torch.arange(4)
>>> A
tensor([0, 1, 2, 3])
>>> B
tensor([[1., 1., 1.],[1., 1., 1.],[1., 1., 1.]])
>>> B = torch.arange(4, 8)
>>> B
tensor([4, 5, 6, 7])
>>> torch.dot(A, B)
tensor(38)

矩阵点积（2维）：

按位相乘求和。

>>> A = torch.arange(9).reshape(3,3)
>>> B = torch.arange(9,18).reshape(3,3)>>> torch.sum(A * B)
tensor(528)

矩阵-向量积（mv函数）：

>>> B = torch.arange(9,18).reshape(3,3)
>>> C = torch.arange(3)>>> torch.mv(B, C)
tensor([32, 41, 50])

矩阵乘法（mm函数）：

>>> torch.mm(A, B)
tensor([[ 42,  45,  48],[150, 162, 174],[258, 279, 300]])

（11）范数

L1范数：

向量元素的绝对值之和。

>>> u = torch.tensor([3.0, -4.0])
>>> torch.abs(u).sum()
tensor(7.)

L2范数：

向量元素平方和的平方根。

>>> u = torch.tensor([3.0, -4.0])
>>> torch.norm(u)
tensor(5.)

弗罗贝尼乌斯-范数（F-范数）：

矩阵元素的平方和的平方根。

>>> torch.norm(torch.ones(4, 9))
tensor(6.)

4.广播机制

1.通过适当复制元素来扩展一个或两个数组，以便在转换之后，两个张量具有相同的形状。

2.对于生成的数组执行按元素操作。

y = torch.arange(12).reshape(3,2,2)
y
# tensor([[[ 0,  1],
#          [ 2,  3]],
#
#         [[ 4,  5],
#          [ 6,  7]],#         [[ 8,  9],
#          [10, 11]]])x = torch.tensor([[1,2],[3,4]])
x# tensor([[1, 2],
#         [3, 4]])x + y# tensor([[[ 1,  3],
#          [ 3,  5]],#         [[ 5,  7],
#          [ 7,  9]],#         [[ 9, 11],
#          [11, 13]]])

5.转化为Numpy张量

A = x.numpy()
type(A)
# <class 'numpy.ndarray'>