使用Pytorch操作张量多维数组初始化Pythorch对应的包是torch在使用前需要安装torch包。importtorch我们可以通过arange函数来快速初始化一个 0~n 的一维数组xtorch.arange(12)print(x)# tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])然后通过reshape函数来重新构建一个数组的形状xtorch.arange(12)print(x ,x)# 也可以通过 x.reshape(3,4) 来实现‘-1’表示自动计算yx.reshape(3,-1)print(y ,y)print(x ,x)# x tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])# y tensor([[ 0, 1, 2, 3],# [ 4, 5, 6, 7],# [ 8, 9, 10, 11]])# x tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])对于一个数组我们可以通过shape函数来获取其形状print(x.shape ,x.shape)print(y.shape ,y.shape)# x.shape torch.Size([12])# y.shape torch.Size([3, 4])可以通过numel函数来获取一个数组的元素数量print(x.numel ,x.numel())print(y.numel ,y.numel())# x.numel 12# y.numel 12如果想要快速构建一个元素全为0或元素全为1的数组可以通过zeros或ones函数# 注意这是一个3维数组xtorch.zeros(2,3,4)print(x ,x)# x tensor([[[0., 0., 0., 0.],# [0., 0., 0., 0.],# [0., 0., 0., 0.]],## [[0., 0., 0., 0.],# [0., 0., 0., 0.],# [0., 0., 0., 0.]]])ytorch.ones(2,3,4)print(y ,y)# y tensor([[[1., 1., 1., 1.],# [1., 1., 1., 1.],# [1., 1., 1., 1.]],## [[1., 1., 1., 1.],# [1., 1., 1., 1.],# [1., 1., 1., 1.]]])我们也可以通过randn函数来构建一个数组其元素随机取自 均值为0、标准差为1 的高斯分布均值为0、标准差为1 的高斯分布也就是标准正态分布。xtorch.randn(3,4)print(x ,x)# x tensor([[ 1.6662, 1.0917, 0.5183, 0.7725],# [-0.3504, -0.3056, 1.4037, -0.5792],# [-0.4681, 0.1452, 0.9675, 0.8223]])当然你也可以自己指定一个数组通过tensorxtorch.tensor([[1,1,1],[2,2,2]])print(x ,x)# x tensor([[1, 1, 1],# [2, 2, 2]])运算对于常见运算加、减-、乘*、除/、幂**必需要两个形状相同的数组进行运算其运算过程就是将两个数组对应位置上的元素进行运算xtorch.tensor([[1,1,1],[2,2,2]])ytorch.tensor([[2,2,2],[3,3,3]])print(xy)# tensor([[3, 3, 3],# [5, 5, 5]])print(x-y)# tensor([[-1, -1, -1],# [-1, -1, -1]])print(x*y)# tensor([[2, 2, 2],# [6, 6, 6]])print(x/y)# tensor([[0.5000, 0.5000, 0.5000],# [0.6667, 0.6667, 0.6667]])print(x**y)# tensor([[1, 1, 1],# [8, 8, 8]])其实参与运算的两个数组也不一定要完全形状相同这里有一个广播机制。可以理解为对于两个形状相同的数组如果某个数组缺失了某一维度可以直接将该数组另一个维度复制过来补充上缺失的维度xtorch.tensor([1,1,1])ytorch.tensor([[2,2,2],[3,3,3]])print(xy)# tensor([[3, 3, 3],# [4, 4, 4]])# 可以看到这里的数组x本来相对于数组y缺失了一个维度但在计算过程中通过复制补充成了[[1,1,1],[1,1,1]]# 但对于这种情况就会报错xtorch.tensor([[1,1,1],[3,3,3]])ytorch.tensor([[2,2,2],[3,3,3],[4,4,4]])print(xy)# 因为广播机制只会对长度为1的维度进行补充。上面的数组x的维度0的长度为2估不适用广播机制我们也可以对两个数据进行拼接通过cat函数# dim0 表示拼接第0轴第0维print(torch.cat((x,y),dim0))# tensor([[1, 1, 1],# [2, 2, 2],# [2, 2, 2],# [3, 3, 3]])# dim1 表示拼接第1轴第1维print(torch.cat((x,y),dim1))# tensor([[1, 1, 1, 2, 2, 2],# [2, 2, 2, 3, 3, 3]])我们当然也可以对两个数组进行比较xtorch.tensor([[1,1,1],[2,2,2]])ytorch.tensor([[2,1,2],[3,2,3]])# 分别比较每个元素print(xy)# tensor([[False, True, False],# [False, True, False]])print(xy)# tensor([[False, False, False],# [False, False, False]])print(xy)# tensor([[ True, False, True],# [ True, False, True]])对一个数组调用sum函数可以得到该数组的所有元素之和xtorch.tensor([[1,1,1],[2,2,2]])print(x.sum())# tensor(9)索引我们可以像索引一维数组一样索引多维数组xtorch.arange(12).reshape(-1,4)print(x)# tensor([[ 0, 1, 2, 3],# [ 4, 5, 6, 7],# [ 8, 9, 10, 11]])# 取最后一个元素print(x[-1])# tensor([ 8, 9, 10, 11])print(x[-1][-1])# tensor(11)# 取从 索引1到索引2的元素后面是开区间[1,2)print(x[1:2])# tensor([[4, 5, 6, 7]])# 取第0维的索引0到索引2的元素然后取第1维的全部元素print(x[0:2][:])# tensor([[0, 1, 2, 3],# [4, 5, 6, 7]])当然也可以像赋值一维数组一样赋值多维数组xtorch.arange(12).reshape(-1,4)print(x)# tensor([[ 0, 1, 2, 3],# [ 4, 5, 6, 7],# [ 8, 9, 10, 11]])# 最后一个元素x[-1]9print(x)# tensor([[0, 1, 2, 3],# [4, 5, 6, 7],# [9, 9, 9, 9]])x[-1][-1]0print(x)# tensor([[0, 1, 2, 3],# [4, 5, 6, 7],# [9, 9, 9, 0]])# 索引1到索引2的元素后面是开区间[1,2)x[1:2]0print(x)# tensor([[0, 1, 2, 3],# [0, 0, 0, 0],# [9, 9, 9, 0]])# 第0维的索引0到索引2的元素然后是第1维的全部元素x[0:2][:]-1print(x)# tensor([[-1, -1, -1, -1],# [-1, -1, -1, -1],# [ 9, 9, 9, 0]])​