1. 导入pytorch
from __future__ import print_function
import torch
2.常用矩阵创建函数
torch.tensor(data, dtype) # data 可以是Numpy中的数组
torch.as_tensor(data)
torch.from_numpy(ndarray)
torch.empty(size)
torch.empty_like(input)
2.1 全零/全一/单位矩阵
torch.zeros(size)
torch.zeros_like(input, dtype)
torch.ones(size)
torch.ones_like(input, dtype)
torch.eye(size)
2.2 序列生成
torch.arange(start, end, step) # 不包括end, step是两个点间距
torch.range(start, end, step) # 包括end，step是两个点间距
torch.linspace(start, end, steps) # 包括end, steps 是点的个数，包括端点, (等距离)
torch.logspace(start, end, steps) #
2.3 稀疏矩阵
torch.sparse_coo_tensor(indices, values, size) # indices 值的x-y坐标，size 稀疏矩阵的大小
2.4 相同值填充矩阵
torch.full(size, fill_value)
torch.full_like(input, fill_value)
2.5 随机矩阵生成
torch.rand(size) # 数值范围[0, 1), size = [2,3] or 2,3
torch.rand_like(input, dtype) # 形状和input相同
torch.randn(size) # 标准正态分布 N(0,1)
torch.randn_like(input, dtype)
torch.randint(low = 0, high, size) # 整数范围[low, high), e.g. torch.randint(3, 8, [2,3])
torch.randint_like(input, low = 0, high, dtype)
2.6 随机排列生成
torch.randperm(n) # 生成一个0到n-1的n-1个整数的随机排列
Example:
torch.empty(5,3)
torch.ones(5)
torch.rand(5,3)
torch.zeros(5,3, dtype = torch.long)
x = torch.tensor([5.5, 3])
x = x.new_ones(5,3, dtype = torch.double)
x = torch.rand_like(x, dtype = torch.float)
3.矩阵操作函数
x.size() # 获取矩阵形状 output: torch.Size([5,3])
y = torch.rand(5,3)
3.1 加法
a. x + y
b. torch.add(x, y)
c. result = torch.empty(5,3)
torch.add(x, y, out = result)
print(result)
d. y.add_(x)
3.2 访问元素
x[:,1] # numpy-like
3.3 改变形状
x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8)
3.4 获取数值
x = torch.randn(1)
x.item()
3.5 转换为numpy数组
a = torch.ones(5)
b = a.numpy()
(b的值会随着a改变而变化)
a.add_(1)
3.6 合并矩阵
torch.cat(tensors = (a,b,c), dim = 0, out = None) # 按照某一维度对多个矩阵进行合并, 0-行 1-列
3.7 拆分矩阵
torch.chunk(tensor, chunks, dim = 0) # 按照某一维度对矩阵进行切分
