创建张量：
torch.tensor(data): 从数据中创建张量。用列表创建，numpy创建- 维度只看[ ]
# 一维张量
data_1d = [1, 2, 3]
tensor_1d = torch.tensor(data_1d)
# 结果
tensor([1, 2, 3])
# 二维张量
data_2d = [[1, 2, 3], [4, 5, 6],[4, 5, 6]]
tensor_2d = torch.tensor(data_2d)
#结果
tensor([[1, 2, 3],
[4, 5, 6]
[4, 5, 6]])
# 但是形状是
torch.Size([3, 3])
# 三维张量
tensor_3d = torch.tensor([[[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]],
[[13, 14, 15, 16], [17, 18, 19, 20], [21, 22, 23, 24]]])
# 结果
tensor([[[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]],
[[13, 14, 15, 16],
[17, 18, 19, 20],
[21, 22, 23, 24]]])
torch.zeros(shape): 创建指定形状的全零张量。torch.ones(shape): 创建指定形状的全一张量。torch.randn(shape): 创建指定形状的随机张量。
张量操作：
tensor.size(): 返回张量的大小。形状的大小,几行几列tensor.view(shape): 改变张量的形状。
# 创建一个4x3的矩阵（2维tensor）
tensor_original = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
# 结果
tensor([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
# 使用view改变形状为3x4
tensor_reshaped = tensor_original.view(3, 4)
# 结果
tensor([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
torch.cat(tensors, dim): 沿指定维度拼接张量。
tensor1 = torch.tensor([[1, 2, 3], [4, 5, 6]])
tensor2 = torch.tensor([[7, 8, 9], [10, 11, 12]])
# dim=0 表示沿着第一个维度（行的方向）进行连接。
concatenated_tensor = torch.cat([tensor1, tensor2], dim=0)
tensor([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
# dim=1 表示沿着第二个维度（列的方向）进行连接。
concatenated_tensor = torch.cat([tensor1, tensor2], dim=1)
tensor([[ 1, 2, 3, 7, 8, 9],
[ 4, 5, 6, 10, 11, 12]])
tensor.item(): 获取张量中的单个元素的数值
数学运算：
a = torch.tensor([[1, 2, 3], [4, 5, 6]])
b = torch.tensor([[7, 8, 9], [10, 11, 12]])
tensor([[1, 2, 3],
[4, 5, 6]])
tensor([[ 7, 8, 9],
[10, 11, 12]])
torch.add(tensor1, tensor2): 张量相加。
result = torch.add(a, b)
tensor([[ 8, 10, 12],
[14, 16, 18]])
torch.sub(tensor1, tensor2): 张量相减。torch.mul(tensor1, tensor2): 张量相乘。
torch.mul(a,b)
tensor([[ 7, 16, 27],
[40, 55, 72]])
torch.div(tensor1, tensor2): 张量相除
自动求导：
tensor.requires_grad_(True): 启用梯度跟踪。tensor.backward(): 计算梯度。tensor.grad: 获取计算得到的梯度。