1.1 数据操作

"""
1.1.1 入门操作
  
  首先，我们要理解什么是**tensor**，如何创建tensor，如何查询tensor的各种属性，同时tensor又可以做什么事情。
  
  tensor译为张量，在数学意义上，这是一个n维数组，也可以理解为矩阵。
"""

import torch

#创建一个tensor --即为张量
x = torch.arange(12) #这是创建一个有12个元素的tensor，从0开始到11（按序）
print(x)

#查询tensor的形状
print(x.shape)

#重新改变tensor的形状
X = x.reshape(3,4)
print(X)
print(X.shape)

#查询tensor的大小
print(x.numel())
print(X.numel()) #这边需要注意一下numel()和shape()的区别

#创建全为1或全为0的tensor
print(torch.zeros(2,3,4)) #这里的2可以理解为2个
print(torch.ones(2,3,4))

#创建随机数的tensor
print(torch.randn(3,4)) #其中的每个元素都从均值为0、标准差为1的标准高斯分布（正态分布）中随机采样

#创建指定行列，指定元素值的tensor
print(torch.tensor([[1,2,3,4],[5,6,7,8],[9,10,11,12]]))

"""
1.1.2 张量与运算符

元素或张量之间的数学运算才是我们需要掌握的内容，单纯的数据输入并不刻意完成相关的学习任务

这里详细介绍张量的运算符运算、连结运算等
"""

#具有相同形状的张量运算，本质上就是对相对应元素的运算
x = torch.tensor([1,2,3,4])
y = torch.tensor([1.0,2.0,2,1])
print(x + y)
print(x - y)
print(x * y)
print(x / y) #从结果可知，这里的运算会之间转换成浮点型运算
print(x ** y)

#求幂运算 即e的n次方
print(torch.exp(x))

#张量的连结
X = torch.arange(12, dtype=torch.float32).reshape((3,4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
print(torch.cat((X,Y), dim = 0))
print(torch.cat((X,Y), dim = 1))
#这里需要解释一下dim的意义，在课程中翻译为轴，也可以理解为维数，0维相当于是按行排列，1维相当于按列排列，这里的X和Y都是(3,4)的tensor
#即仅只有行与列两个维度，那么0代表第一个维度，1代表第二个维度

#同样，若两个张量的形状相同，也可以互相比较
print(X == Y)

#张量的各个元素之间也可以进行求和
print(X.sum())

"""
1.1.3 广播机制

在数学意义上，广播机制表现为矩阵相加

通过以下例子来解释
"""

a = torch.arange(3).reshape((3,1))
b = torch.arange(2).reshape(1,2)
print(a)
print(b)
c = a + b #c的产生过程就是将a和b两个张量看作矩阵来进行相加
print(c)

"""
1.1.4 索引与切片

索引与切片是Python的基础内容，张量同样具有这两个性质
"""

#pytorch中支持倒序索引，即0代表第一个元素，-1代表最后一个元素 以Y为例
print(Y[-1])
print(Y[1:3])

#元素的索引写入
Y[1,2] = 10
print(Y)

Y[0:2,:] = 100 #这个就相对比较复杂，相当于将前两行加所有列的元素改为100
print(Y)

"""
1.1.5 节约内存

当我们给一个变量指向张量1，若将其再指向张量2，那么原本存放张量1的那块内存空间就会释放，从而指向张量2所在的内存空间或为张量2创建一块内存空间，这里可以通过id()这个函数来进行演示

同样，若一直要分配新的内存，也可能引发一系列的问题，因此也有原地操作内存的方法
"""

print(id(X))
print(id(Y))
Y = Y + X
print(id(Y)) #可以发现，张量Y指向了一个新的内存空间

#接下来演示如何原地操作内存
Z = torch.zeros_like(Y)
print(id(Z))

Z[:] = X + Y
print(id(Z))

"""
1.1.6 不同Python对象之间的转换

由于不同的深度学习框架对张量的定义不一定一样，所以Python也提供了不同类型数据之间的转换
"""

A = X.numpy()
B = torch.tensor(A)
print(type(A))
print(type(B))

#同样也可以进行数据类型之间的转换
a = torch.tensor([3.5])
a, a.item(), float(a), int(a)