1.Tensor的创建
import torch
import numpy as np
#使用list创建张量
a=torch.tensor([[1,2],[3,4]],dtype=torch.float64)
#使用array创建张量
b=torch.tensor(np.array([[1,2],[3,4]]),dtype=torch.uint8)
print(a)
print(b)输出：
2.矩阵的叉乘和点乘
import torch
import numpy as np
a=torch.tensor([[1,2],[3,4]])
b=torch.tensor([[1,2],[3,4]])
#逐元素相乘（点乘）
c=a*b
print(c)
#矩阵乘法（叉乘）
c=torch.mm(a,b)
print(c)
输出：
3. 直接创建数据
import torch
import numpy as np
#从range创建，规则与range相同
print(torch.arange(5))
print(torch.arange(1,7,2))
#linespace创建，前两个参数是起始与终止，最后一个是返回的个数（维度）
print(torch.linspace(0,5,10))
#创建全1矩阵，第一个是行，第二个是列
print(torch.ones(4,3))
#创建全0矩阵
print(torch.zeros(3,3))输出：
4.一些特殊函数
import torch
import numpy as npa=torch.tensor([[1,2],[3,4]])
#分段函数，小的放大，大的放小
print(torch.clamp(a,min=2,max=3))#化成整数
a=torch.tensor([1.01,2.5,-3.44,5.99])
print(torch.round(a))#计算双曲正切
a=torch.Tensor([-3,-2,-1,-0.5,0,0.5,1,2,3])
print(torch.tanh(a))输出：
5.随机创建
import torch
import numpy as np#从[0，1]中随机取
print(torch.rand(3,3))
#从正态分布中取
print(torch.randn(3,3))
#从指定范围内随机取（整数
print(torch.randint(0,9,[3,3]))输出：
6.索引
import torch
import numpy as npa=torch.arange(9).view(3,3)
'''
[[0,1,2][3,4,5][6,7,8]]
'''
#直接索引
print(a[1,2])#整数索引
row=[1,0]
col=[1,2]
print(a[row,col])#布尔索引
index=a>3
print(index)
print(a[index])
输出：
7.切片
import torch
import numpy as npa=torch.arange(9).view(3,3)
'''
[[0,1,2][3,4,5][6,7,8]]
'''
#切片
print(a[1:,:2])
#带步长的切片（不支持负数）
print(a[::2])
输出：
8.搜索函数
import torch
import numpy as np#nonzero寻找非负元素（返回索引）
a=torch.randint(0,2,(3,3))
print(a)
print(torch.nonzero(a))#where寻找条件
a=torch.randn(3,3)
b=torch.ones(3,3)
print(a)
#如果满足条件就返回a元素，否则返回b元素
print(torch.where(a>0,a,b))输出：
9.Tensor的查询
import torch
import numpy as npa=torch.rand(1,2,3,4,5)
#元素个数=1*2*3*4*5=120
print(a.nelement())
#轴个数
print(a.ndimension())
#矩阵维度
print(a.size(),a.shape)输出：
10.Tensor的变换
import torch
import numpy as npa=torch.rand(1,2,3,4,5)
#矩阵重塑
b=a.view(2*3,4*5)
print(b.shape)
c=a.reshape(-1)
print(c.shape)
d=a.reshape(2*3,-1)
print(d.shape)
print()
#维度增减
a=torch.rand(1,2,3,4,5)
b=torch.squeeze(a)
print(b.shape)
b=torch.unsqueeze(b,0)
print(b.shape)
print()
#矩阵转置(只接受二维tensor)
a=torch.tensor([[2]])
b=torch.tensor([[2,3]])
print(torch.transpose(a,1,0,))
print(torch.t(a))
print(torch.transpose(b,1,0,))
print(torch.t(b))
print()
#维度转换（调位置）
a=torch.rand((1,224,224,3))
print(a.shape)
b=a.permute(0,3,1,2)
print(b.shape)输出：
11.拼接
import torch
import numpy as npa=torch.randn(2,3)
b=torch.randn(3,3)#cat()
c=torch.cat((a,b))
d=torch.cat((b,b,b),dim=1)print(c.shape)
print(d.shape)#stack()
c=torch.stack((b,b),dim=1)
d=torch.stack((b,b),dim=0)
print(c.shape)
print(d.shape)输出：
12.拆分
import torch
import numpy as npa=torch.randn(10,3)
for x in torch.split(a,[1,2,3,4],dim=0):print(x.shape)
print()
for x in torch.split(a,4,dim=0):print(x.shape)
print()
for x in torch.chunk(a,4,dim=0):print(x.shape)
输出：
13.Reduction
import torch
import numpy as npa=torch.tensor([[1,2],[3,4]])
#最大值
print(torch.max(a))#横轴累加
print(torch.cumsum(a,dim=0))
#纵轴累乘
print(torch.cumprod(a,dim=1))a=torch.Tensor([[1,2],[3,4]])
#均值
print(a.mean())
#中值
print(a.median())
#协方差
print(a.std())输出：
