Pytorch教程01 - Pytorch安装，基本元素操作，切片，改变张量形状，clamp张量裁剪

Pytorch教程01 - Pytorch安装，基本元素操作，切片，改变张量形状，clamp张量裁剪

pytorch一站式学习->: pytorch一站式学习，张量基本操作，神经网络基本概念与搭建集合

python一站式学习->: python一站式学习，python基础，数据类型，numpy，pandas,机器学习，NLP自然语言处理，deepseek大预言模型，Tensorflow，CV视觉

pytorch是基于Numpy的科学计算包，作为深度学习的平台，提供了最大的灵活度和速度，并提供使用GPU强大功能的能力

pytorch安装

官网地址 https://pytorch.org/get-started/locally/

进入官网安装教程页面，根据自己系统环境，选择运行不同的安装命令

# cpu计算平台安装
pip3 install torch torchvision torchaudio

# GPU计算平台安装,cuda版本12.6
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126

Tensors张量

Tensors类似于Numpy中的ndarray数据结构，最大区别是Tensor可以使用GPU加速计算。

基本元素操作

1. 生成一个张量

import torch

# 1. 创建一个空3行2列的tensor，有值是因为默认会把内存中的值随机赋值，该值没有任何意义
torch.empty(3,2)


# 结果：tensor([[9.4397e+18, 1.3060e-42],
#        [0.0000e+00, 0.0000e+00],
#        [0.0000e+00, 0.0000e+00]])
        
        
# 2. 生成一个3行2列，0-1之间的随机分布张量数据
torch.rand(3,2)
# 结果：tensor([[0.4362, 0.7062],
#        [0.5299, 0.7610],
#        [0.3549, 0.3182]])


# 3. 生成一个3行2列，0-1之间的正太分布张量数据
torch.randn(3,2)
#结果：tensor([[-0.2598, -0.5116],
#        [ 0.4263, -1.1537],
#        [ 0.2921, -0.6076]])


# 4. 生成一个3行2列全0矩阵
# dtype=torch.double指定数据类型
torch.zeros(3,2,dtype=torch.long)
# 结果：tensor([[0, 0],
#       [0, 0],
#       [0, 0]])

# 5. 生成一个3行2列全1矩阵
# dtype=torch.long指定数据类型
torch.ones(3,2,dtype=torch.float)
# 结果：tensor([[1., 1.],
#              [1., 1.],
#              [1., 1.]])


# 6. 使用正太分布生成一个形状和x一样的张量
torch.randn_like(x ,dtype=torch.float)
# 结果： tensor([[-1.3119,  0.0489],
#        [ 0.3093, -0.0307],
#        [-0.1648, -1.7262]])



# 7. 使用现有数据生成一个矩阵
torch.tensor([1.2,2.3])
# 结果：tensor([1.2000, 2.3000])

# 8. 填充值为4
a = torch.full((2,3),4)
print(a)
# 结果tensor([[4, 4, 4],[4, 4, 4]])

2. 获取张量的尺寸

y= torch.tensor([[1.2,2.3,5.2],[1.5,3.2,4.0]])
# size() 返回的是一个tuple元祖，因此支持一切元祖的操作
print(y.size())
# 结果：torch.Size([2, 3])

切片

和numpy中切片语法一致，这里举几个例子

import torch

x= torch.tensor([[1,2,3],[4,5,6]])
# 所有列，取一行切片
print(x[:1])
#tensor([[1, 2, 3]])

# 所有行，第一列切片
print(x[:,0])
#tensor([1, 4])

# 所有行，第一到第二列
print(x[:,:2])
#tensor([[1, 2],
#        [4, 5]])

torch.chunk(a,2,dim=0)切片

将a按照dim=0行切分成2份，如果行除不尽，最后一个张量会小

代码示例

import torch

if __name__ == '__main__':
    a = torch.linspace(1,12,12).view(3,4)
    print("张量a:",a)
    # dim=0按照行切分，dim=1按照列切分
    out = torch.chunk(a,2,dim=0)
    print("张量out:",out)

# 结果
张量a: tensor([[ 1.,  2.,  3.,  4.],
        [ 5.,  6.,  7.,  8.],
        [ 9., 10., 11., 12.]])
张量out: (tensor([[1., 2., 3., 4.],
        [5., 6., 7., 8.]]), 
        tensor([[ 9., 10., 11., 12.]]))

torch.split()

• 方式一: torch.split(a,2,dim=0) 将张量按照行切分，每份有2行，一共切出来几个tensor 由行数除以2决定
• 方式二 : torch.split(a,[2,3],dim=0)将张量按照行切分，切割的行数按照[2,3]数组分别决定

代码示例

import torch

if __name__ == '__main__':

    a = torch.linspace(1,15,15).view(5,3)
    print("张量a:",a)
    # 方式一 将张量按照行切分，每份有2行，一共切出来几个tensor 由行数除以2决定
    out = torch.split(a,2,dim=0)
    print("方式一：张量out1:",out)

    # 方式二 将张量按照行切分，切割的行数按照[2,3]数组分别决定
    out2 = torch.split(a,[2,3],dim=0)
    print("方式二：张量out2:",out2)

结果

张量a: tensor([[ 1.,  2.,  3.],
        [ 4.,  5.,  6.],
        [ 7.,  8.,  9.],
        [10., 11., 12.],
        [13., 14., 15.]])
方式一：张量out1: (tensor([[1., 2., 3.],
        [4., 5., 6.]]), tensor([[ 7.,  8.,  9.],
        [10., 11., 12.]]), tensor([[13., 14., 15.]]))
方式二：张量out2: (tensor([[1., 2., 3.],
        [4., 5., 6.]]), tensor([[ 7.,  8.,  9.],
        [10., 11., 12.],
        [13., 14., 15.]]))

改变张量的形状

view改变形状，必须元素总个数一致

import torch

x= torch.tensor([[1,2,3],[4,5,6]])

# 一行，元素总个数必须一致
y = x.view(6)

# -1自动匹配行，2列
z = x.view(-1,2)
print(x.size(),y.size(),z.size())
# 结果：torch.Size([2, 3]) torch.Size([6]) torch.Size([3, 2])

单值获取值

import torch

# 如果张量只有一个元素，可以使用item()将值取出，作为python的number
x= torch.tensor([6])

print(x.item())
# 结果： 6

clamp张量裁剪

在深度学习时候，经常需要对张量数值约束在一个范围内，可以使用a.clamp(n,m) ,当张量a中元素小于n的用n替换，大于m的用m替换，之间的保持不变

代码示例

import torch

if __name__ == '__main__':
    a = torch.rand(2,3)*10
    print("裁剪前张量a：",a)
    a.clamp_(3,6)
    print("裁剪后张量a：",a)

结果

裁剪前张量a： tensor([[9.8905, 0.7338, 5.0934],
                    [4.3329, 5.3238, 4.9667]])
裁剪后张量a： tensor([[6.0000, 3.0000, 5.0934],
                    [4.3329, 5.3238, 4.9667]])