今天会把Pytorch在张量这方面的内容做一个记录。

同时希望可以给大家提供一丢丢帮助！

因为今儿分享的内容，绝对是非常干货的一些示例。

先简单介绍下，在PyTorch中，张量是核心数据结构，它是一个多维数组，类似于NumPy中的数组。张量不仅仅是存储数据的容器，还是进行各种数学运算和深度学习操作的基础。

下面从三方面做一个总结：

• 张量的概念
• 张量的原理
• 张量的操作

图片

张量的概念

1.张量的定义

张量是一种多维数组，它可以是标量（零维数组）、向量（一维数组）、矩阵（二维数组）或具有更高维度的数组。

在PyTorch中，张量是torch.Tensor的实例，可以通过不同的方式创建，如直接从Python列表、NumPy数组或通过特定函数生成。

import torch

# 创建一个标量
scalar_tensor = torch.tensor(3.14)

# 创建一个向量
vector_tensor = torch.tensor([1, 2, 3])

# 创建一个矩阵
matrix_tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 创建一个3D张量
tensor_3d = torch.rand((2, 3, 4))  # 2行3列4深度

2.张量的属性

每个张量都有一些重要的属性，包括形状（shape）、数据类型（dtype）和设备（device）。

# 获取张量的形状
shape = tensor_3d.shape

# 获取张量的数据类型
dtype = tensor_3d.dtype

# 获取张量所在的设备
device = tensor_3d.device

3.张量的形状

张量的形状定义了其维度和每个维度上的大小。例如，形状为(2, 3, 4)的张量具有2行、3列和4个深度。形状对于理解和操作张量非常重要。

# 获取张量的形状
shape = tensor_3d.shape

# 改变张量的形状
reshaped_tensor = tensor_3d.view(3, 8)  # 将原始形状(2, 3, 4)变为(3, 8)

张量的原理

PyTorch中的张量是基于Tensor类实现的，它提供了对底层存储的抽象。

张量包含三个主要组件：

• 存储（storage）
• 形状（shape）
• 步幅（stride）

1.存储

（Storage）存储是实际存储数据的地方，它是一块连续的内存区域。多个张量可以共享相同的存储，从而减少内存消耗。存储中的数据按照张量的形状进行排列。

# 获取张量的存储
storage = tensor_3d.storage()

2.形状（Shape）

张量的形状定义了其维度和每个维度上的大小。形状信息有助于解释存储中数据的组织方式。

# 获取张量的形状
shape = tensor_3d.shape

3.步幅（Stride）

步幅是指在存储中移动到下一个元素所需的步数。了解步幅有助于理解在张量中进行索引和切片时的性能。

# 获取张量的步幅
stride = tensor_3d.stride()

张量的操作

PyTorch提供了丰富的张量操作，包括数学运算、逻辑运算、索引和切片等。

这里列举最最常见的集中操作：

1.数学运算

# 加法
result_add = tensor_3d + 2

# 乘法
result_mul = tensor_3d * 3

# 矩阵乘法
matrix_a = torch.rand((2, 3))
matrix_b = torch.rand((3, 4))
result_matmul = torch.mm(matrix_a, matrix_b)

2. 逻辑运算

# 大小比较
result_compare = tensor_3d > 0.5

# 逻辑运算
result_logical = torch.logical_and(result_add, result_compare)

3. 索引和切片

# 索引
element = tensor_3d[0, 1, 2]

# 切片
sliced_tensor = tensor_3d[:, 1:3, :]

4. 形状操作

# 改变形状
reshaped_tensor = tensor_3d.view(3, 8)

# 转置
transposed_tensor = tensor_3d.transpose(0, 2)

5.广播

广播是一种自动扩展张量的操作，使得形状不同的张量可以进行逐元素的数学运算。

# 广播
tensor_a = torch.rand((1, 3, 1))
tensor_b = torch.rand((2, 1, 4))
result_broadcast = tensor_a + tensor_b

最后

今儿介绍的是关于PyTorch中张量的基础概念、原理以及常见操作。

张量作为深度学习中的基本数据结构，对于理解和实现神经网络非常关键。