4.1 KiB
4.1 KiB
好的 😄，我给你整理一个 PyTorch tensor 使用大全，覆盖创建、操作、转换、计算等常用方法。为了系统化，我会按类别来整理，并给简单示例。
🟢 1. 创建 Tensor
import torch
# 直接从数据创建
a = torch.tensor([1, 2, 3], dtype=torch.float32)
# 全 0 / 全 1 / 全某数
b = torch.zeros(3, 4)
c = torch.ones(2, 5) * 7
# 随机数
d = torch.rand(3, 3) # 0~1 均匀分布
e = torch.randn(3, 3) # 标准正态分布
# 类似 numpy 的 arange / linspace
f = torch.arange(0, 10, 2) # 0,2,4,6,8
g = torch.linspace(0, 1, steps=5) # 0,0.25,0.5,0.75,1
# 空 tensor（占位）
h = torch.empty(2, 3)
🟢 2. Tensor 属性
x = torch.randn(2, 3)
x.shape # 返回 (2,3)
x.size() # 等同 shape
x.dtype # 数据类型，如 torch.float32
x.device # 运行设备，如 cpu 或 cuda:0
x.numel() # 元素总数
x.requires_grad_(True) # 设置是否需要梯度
🟢 3. Tensor 运算
3.1 基本算术
a = torch.tensor([1,2,3])
b = torch.tensor([4,5,6])
c = a + b
d = a - b
e = a * b
f = a / b
g = a ** 2
3.2 矩阵运算
A = torch.rand(2,3)
B = torch.rand(3,2)
C = torch.matmul(A, B) # 矩阵乘法
D = A @ B # 等价写法
E = A.T # 转置
3.3 统计函数
x = torch.tensor([[1,2],[3,4]], dtype=torch.float32)
x.sum() # 所有元素求和
x.mean() # 平均值
x.max() # 最大值
x.min() # 最小值
x.argmax() # 最大值索引
x.argmin() # 最小值索引
x.std() # 标准差
x.var() # 方差
🟢 4. Tensor 索引与切片
x = torch.tensor([[1,2,3],[4,5,6]])
x[0] # 第一行
x[:,1] # 第二列
x[0,2] # 第一行第三列
x[1,:2] # 第二行前两列
x[-1,-1] # 最后一个元素
🟢 5. Tensor 改变形状
x = torch.arange(12)
y = x.view(3,4) # 改变形状 (reshape)
z = x.reshape(3,4) # reshape 等同 view，但更安全
w = x.unsqueeze(0) # 增加维度
v = x.squeeze() # 删除维度为1的维
t = x.transpose(0,0) # 交换维度
🟢 6. Tensor 拼接与拆分
a = torch.randn(2,3)
b = torch.randn(2,3)
# 拼接
c = torch.cat([a,b], dim=0) # 纵向拼接
d = torch.cat([a,b], dim=1) # 横向拼接
# 堆叠（增加新维度）
e = torch.stack([a,b], dim=0)
# 拆分
f1, f2 = torch.chunk(c, 2, dim=0) # 按行拆成两块
🟢 7. Tensor 类型转换
x = torch.tensor([1,2,3], dtype=torch.int32)
x.float() # 转 float
x.double() # 转 double
x.long() # 转 int64
x.bool() # 转 bool
🟢 8. Tensor 与 NumPy 互转
import numpy as np
a = torch.tensor([1,2,3])
b = a.numpy() # Tensor → numpy array
c = np.array([4,5,6])
d = torch.from_numpy(c) # numpy → Tensor
⚠️ 注意：共享内存，如果修改其中一个，另一个也会变。
🟢 9. GPU 操作
x = torch.randn(2,3)
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
x = x.to(device)
y = torch.tensor([1,2,3], device=device) # 直接在 GPU 上创建
🟢 10. 自动求导（梯度）
x = torch.tensor([2.0,3.0], requires_grad=True)
y = x ** 2 + 3*x
z = y.sum()
z.backward() # 自动求梯度
print(x.grad) # dx
🟢 11. 常用函数速查
| 类别 | 常用函数 |
|---|---|
| 线性代数 | matmul, mm, bmm, einsum |
| 激活函数 | relu, sigmoid, tanh, softmax |
| 聚合函数 | sum, mean, max, min, prod, cumsum |
| 比较函数 | eq, ne, gt, lt, ge, le |
| 随机函数 | rand, randn, randint, randperm |
| 其他 | clone, detach, item, expand, repeat |
如果你需要，我可以帮你整理一个 可直接拷贝的 PyTorch Tensor 使用小抄（含示例和用法备注），适合放在屏幕边上快速查。
你希望我帮你整理吗？