深度学习入门（一）：Tensor

Numpy

• 主要特点：Numpy的核心是ndarray，这是一个多维数组，用来存储同质数据类型的元素。
• 创建一维数组 data=np.array([1,2,3,4])
• 创建二维数组 data=np.array([[1,2,3,4],[4,5,6,7]])
• 创建全0数组 data=np.zeros(shape=(5,3)) shape(5,3)表示创建5行3列的数组
• 创建全1数组 data=np.ones(shape=(5,3))
• 创建全空数组data=np.empty(shape=(5,3)) 这里的数据都是无限小的，无限接近于0但不是0
• 创建有连续序列的数组arrange data = np.arange(10,16,2) # 10-16的数据，步长为2所以这里的data是10 12 14
• 创建有连续间隔的数组 linspace在一个指定区间内按照指定的步长，将区间均等分，生成的是一个线段类型的数组。生成的线性间隔数据中，是有把区间的两端加进去的 data= np.linspace(1,10,20) # 开始端1，结束端10，且分割成20个数据，生成线段
• 创建随机数组 data = np.random.rand(3,4) 也可以用 data=np.random.randint(2,5,size=(4,5))
• 改变数组形状 data.reshape
• 数组转置 ` np.array`
• 数组维度 data.ndim
• 数组形状 data.shape
• 数组中的元素个数 data.size
• 数组的数据类型 data.dtype
• 计算数组的平均值 numpy.mean(arr, axis=None, dtype=None, out=None) 参数axis表示沿着哪个轴进行计算，默认为None，表示计算整个数组的平均值；dtype表示返回结果的数据类型，默认为float64；out表示将结果存储在指定的数组中
• 计算数组的中位数 numpy.median(arr, axis=None, out=None)
• 计算数组的标准差 numpy.std(arr, axis=None, dtype=None, out=None)
• 计算数组的方差 numpy.var(arr, axis=None, dtype=None, out=None)
• 计算数组的最小值 numpy.min(arr, axis=None, out=None)
• 计算数组的最大值 numpy.max(arr, axis=None, out=None)
• 计算数组的元素之和 numpy.sum(arr, axis=None, dtype=None, out=None)
• 计算数组的元素乘积 numpy.prod(arr, axis=None, dtype=None, out=None)
• 计算数组的累积和 numpy.cumsum(arr, axis=None, dtype=None, out=None)
• 一维数组切片。切片操作是左闭右开的，即包括起始位置，但不包括结束位置。例如，如果我们想要获取从索引1到索引3的元素，可以使用切片操作arr[1:4]，结果为[2, 3, 4] arr = np.array([1,2,3,4,5]) print(arr[1:4])
• 多维数组切片。data[0:1,0:2] 本质上就是进行一维一维的分解操作
• 数组垂直堆叠 stacked_vertically = np.vstack((array1, array2))
• 数组水平堆叠 stacked_horizontally = np.hstack((array1, array2))
• 保存数组 np.save('my_array.npy', data)
• 加载数组 loaded_data = np.load('my_array.npy')

Tensor Tutorial Here

Tensor是PyTorch中最重要的数据结构，它可以是一个数（标量）、一维数组（向量）、二维数组（如矩阵、黑白图片等）或者更高维的数组（如彩色图片、视频等）。Tensor与NumPy的ndarrays类似，但Tensor可以使用GPU加速。

torch.Tensor()可以使用int类型的整数初始化矩阵的行、列数，torch.tensor()需要确切的数据值进行初始化  
函数名后面带下划线_的函数称为inplace操作，会修改Tensor本身。例如，x.add_(y)和x.t_()会改变 x，x.add(y)和x.t()返回一个新的Tensor，x不变

• x.size()[1], x.size(1) # 查看列的个数, 这两种写法等价
• 注意：t.tensor()与tensor.clone()总是会进行数据拷贝，新的Tensor和原来的数据不再共享内存。如果需要共享内存，那么可以使用torch.from_numpy()或者tensor.detach()新建一个Tensor。
• 在维度变换中，可以使用view操作与reshape操作来改变Tensor的维度，二者之间有以下区别。
  • view只能用于内存中连续存储的Tensor。如果Tensor使用了transpose、permute等维度交换操作，那么Tensor在内存中会变得不连续。此时不能直接使用view操作，应该先将其连续化，即tensor.contiguous.view()。
  • reshape操作不要求Tensor在内存中是连续的，直接使用即可

t.tensor()与tensor.clone()总是会进行数据拷贝，新的Tensor和原来的数据不再共享内存。如果需要共享内存，那么可以使用torch.from_numpy()或者tensor.detach()新建一个Tensor