pytorch张量里0替换成1 pytorch 张量

数据、代码等相关资料来源于b站日月光华老师视频，此博客作为学习记录。

Tensor（张量）

pytorch的最基本操作对象是张量，它表示一个多维矩阵。张量类似于numpy的ndarrays，可在GPU上使用以加速计算。

• 标量（Scalar）：只有大小没有方向。如：1，2，3，……
• 向量（Vector）：有大小和方向。如：[1,2,3]
• 矩阵（Matrix）：由多个向量组成。如：[[1,2,3],[4,5,6]]

张量是向量和矩阵基础上的推广，可以将标量看作零阶张量，向量看作一阶张量，矩阵看作二阶张量，以及更高维的数据。

张量和numpy的ndarray的数组是共享相同底层内存，无需复制数据。

一、创建张量及查看数据类型

创建一个张量：

import torch
import numpy as np

t = torch.tensor([1,2,3])
print(t)

结果：

print(t.dtype)

其数据类型可用属性.dtype得到：

torch.tensor是根据数据自动确定数据类型的，如：

t = torch.FloatTensor([1.1, 2.3 , 3.6])
print(t.dtype)

其结果为：

改变数据类型为Float：

t = torch.FloatTensor([1,2,3])
print(t.dtype)

结果为：

相应的还有torch.LongTensor，其生成数据类型为int64.

二、tensor和ndarray的转换

创建ndarray：

np_array = np.arange(12).reshape(3,4)

打印出来：

对该数据进行torch.from_numpy，就成为了tensor:

tt = torch.from_numpy(np_array)

其dtype是直接从np_array继承来的。tensor的基本数据类型：

三、随机tensor的创建及tensor的属性

# 创建0~1之间均匀分布的随机数，其参数为数据的形状
p = torch.rand(2, 3) # 创建一个2×3的tensor
print(p)

# 创建0~1之间服从标准正态分布的随机数
pp = torch.randn(2, 3)  # 2×3大小
print(pp)

tensor有shape属性，可以返回其形状：

print(pp.shape)

• 全零矩阵：

a = torch.zeros(2,3)

• 全一矩阵：

a = torch.ones(3, 2)

创建与某个tensor形状、数据类型一样的tensor可用like:

s = torch.rand(2,3)
x = torch.zeros_like(s)   # 跟s形状一样，全0的tensor

s = torch.rand(2,3)
x = torch.rand_like(s)  # 跟s形状一样、0~1之间均匀分布的随机数tensor

tensor除了shape属性可以得到其形状，还有size属性.

tt = torch.from_numpy(np_array)
print(tt.shape)
print(tt.size())
print(tt.size(0))   # 返回第1个维度大小
print(tt.size(1))   # 返回第2个维度大小

device属性：

import torch
import numpy as np

np_array = np.arange(12).reshape(3, 4)
t = torch.from_numpy(np_array)
print(t.device)
# 得到t的device,在cpu上运行则显示cpu，在gpu上则显示cuda

运行结果：

将tensor如何由cpu转移到gpu运行呢？

首先，先看看自己的gpu是否可用：

# 判断当前gpu是否可用
print(torch.cuda.is_available())

转到gpu上运行：

if torch.cuda.is_available():
    t = t.to('cuda')

打印其device:

同理，也可以运用t.to(‘cpu’)给挪回去= =