目录

一、张量概述：

二、初始化张量：

直接使用Python列表转化为张量：

通过Numpy数组（ndarray）转换为张量：

通过已有的张量生成新的张量：

通过指定数据维度生成张量：

三、张量属性：

四、张量的运算：

1.张量的索引和切片：

2.张量的拼接：

3.张量的乘法和矩阵乘法：

乘法（点乘）：

矩阵乘法（叉乘）：

4.自动赋值运算：

五、Tensor和Numpy的相互转换：

1.由tensor转换为ndarray：

2.由Ndarray转换为Tensor：

     现在是凌晨12点，记录一下学习，重新复习一下Pytorch......好吧，其实也不算复习，之前也只是简单的了解了一下，仅此而已。但是！现在不一样，需要仔细的去学习！

    Let‘s do it ！！！

    这只是一篇简单的学习笔记，仅此而已！！！

一、张量概述：
一种特殊的数据结构，使用在深度学习的神经网络中，类似数组（多维度）和矩阵。神经网络的输入输出、网格参数都是使用张量来进行描述！

import torch
import numpy as np
二、初始化张量：
张量的初始化方式有多种，主要是根据数据来源选择不同的初始化方法：

直接使用Python列表转化为张量：
data = [[1, 2], [3, 4]]
x_data = torch.tensor(data)
使用torch库中的函数tensor将一个二维python列表转换为一个二维的张量。

通过Numpy数组（ndarray）转换为张量：
ndarray和张量（tensor）之间是支持相互转换的

np_array = np.array(data)
x_np = torch.from_numpy(np_array)
通过已有的张量生成新的张量：
新的张量将会继承原有张量的数据属性（结构和类型），也可以重新指定新的数据属性。

x_ones = torch.ones_like(x_data) # 保留 x_data 的属性
print(f"Ones Tensor: \n {x_ones} \n")

x_rand = torch.rand_like(x_data, dtype=torch.float) # 重写 x_data 的数据类型int -> float
print(f"Random Tensor: \n {x_rand} \n")
Ones Tensor:
tensor([[1, 1],
[1, 1]])

Random Tensor:
tensor([[0.0381, 0.5780],
[0.3963, 0.0840]])
通过指定数据维度生成张量：
使用shape元组指定生成的张量维度，将元组传递给torch函数创建不同的张量：

shape = (2,3,)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)

print(f"Random Tensor: \n {rand_tensor} \n")
print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor}")
Random Tensor:
tensor([[0.0266, 0.0553, 0.9843],
[0.0398, 0.8964, 0.3457]])

Ones Tensor:
tensor([[1., 1., 1.],
[1., 1., 1.]])

Zeros Tensor:
tensor([[0., 0., 0.],
[0., 0., 0.]])
三、张量属性：
通过张量的不同属性，可以知道张量的维度，张量的数据类型、张量的存储设备（物理设备）

tensor = torch.rand(3,4)

print(f"Shape of tensor: {tensor.shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")
Shape of tensor: torch.Size([3, 4]) # 维数
Datatype of tensor: torch.float32 # 数据类型
Device tensor is stored on: cpu # 存储设备
四、张量的运算：
检查当前运行环境是否支持Pytorch，检查代码：

判断当前环境GPU是否可用, 然后将tensor导入GPU内运行

if torch.cuda.is_available():
tensor = tensor.to('cuda')
1.张量的索引和切片：
Python的切片，第一个参数是行操作，第二个参数是列操作。

tensor = torch.ones(4, 4)
tensor[:,1] = 0 # 将第1列(从0开始)的数据全部赋值为0
print(tensor)
所有的索引位置都是从0开始：

tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
2.张量的拼接：
你可以通过torch.cat方法将一组张量按照指定的维度进行拼接, 也可以参考torch.stack方法。

t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)
注意这里的dim参数，这里是指定tensor拼接的维度，维度索引同样是从0开始，0表示第一维，1表示第二维，所以拼接在二维的情况是按照列拼接：

tensor([[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.]])
想知道有几个维度，数出有几层中括号就行，有几层中括号就有几维。而且，随着中括号由外向里走，维度依次增加：从 0 变为 1 变为 2。

3.张量的乘法和矩阵乘法：
简单区分一下乘法和矩阵乘法的区别：

乘法：在矩阵上是两个shape相同的矩阵（就是需要满足矩阵的形状一致），对应位置上的元素相乘
矩阵乘法：要求矩阵内联的维度一致，即（n，m）x （m，z）
乘法（点乘）：

逐个元素相乘结果

print(f"tensor.mul(tensor): \n {tensor.mul(tensor)} \n")

等价写法:

print(f"tensor tensor: \n {tensor tensor}")
tensor.mul(tensor):
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])

tensor * tensor:
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
矩阵乘法（叉乘）：
print(f"tensor.matmul(tensor.T): \n {tensor.matmul(tensor.T)} \n")

等价写法:

print(f"tensor @ tensor.T: \n {tensor @ tensor.T}")
tensor.matmul(tensor.T):
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])

tensor @ tensor.T:
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])
4.自动赋值运算：
自动赋值运算通常在方法后有 作为后缀, 例如: x.copy(y), x.t_()操作会改变 x 的取值。即将方法调用执行的结果重新赋值给调用方法的变量。

print(tensor, "\n")
tensor.add_(5)
print(tensor)
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])

tensor([[6., 5., 6., 6.],
[6., 5., 6., 6.],
[6., 5., 6., 6.],
[6., 5., 6., 6.]])
注意：自动赋值运算虽然可以节省内存, 但在求导时会因为丢失了中间过程而导致一些问题, 所以我们并不鼓励使用它。

五、Tensor和Numpy的相互转换：
张量和ndarray数组在CPU上可以共用一块内存区域，改变其中一个值，另一个也会发生改变。

1.由tensor转换为ndarray：
tensor直接调用numpy方法：

t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")
t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]
此时，如果修改张量tensor的值，那么对应的ndarray中的值也会发生改变，这里只是变量类型的改变，但是变量指向的内存地址是同一个内存空间：

t.add_(1)
print(f"t: {t}")
print(f"n: {n}")
t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]
2.由Ndarray转换为Tensor：
n = np.ones(5)
t = torch.from_numpy(n)
修改Numpy array数组的值，则张量值也会随之改变。

np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")
t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]