創建 Tensor

使用 Torch 接口創建 Tensor

import torch

參考：https://pytorch.org/tutorials/beginner/basics/tensorqs_tutorial.html

常用操作

unsqueeze

將多維數組解套，并嵌入新的一層維度。

    data = [[1, 2],[3, 4]]x_data = torch.tensor(data)print("x_data")print(x_data)x2_data = x_data.unsqueeze(-1)print("x_data>> unsqueeze -1")print(x2_data)x2_data = x_data.unsqueeze(0)print("x_data>> unsqueeze 0")print(x2_data)x2_data = x_data.unsqueeze(1)print("x_data>> unsqueeze 1")print(x2_data)x2_data = x_data.unsqueeze(2)print("x_data>> unsqueeze 2")print(x2_data)

結果：

x_data
tensor([[1, 2],[3, 4]])
x_data>> unsqueeze -1   # -1 代表最內層，將最內層的數用一個新的維度包起來
tensor([[[1],[2]],[[3],[4]]])
x_data>> unsqueeze 0 # 0 代表最外層，將原來的多維數組整個多套一層
tensor([[[1, 2],[3, 4]]])
x_data>> unsqueeze 1 # 代表原來第一維里的每個元素，套一層
tensor([[[1, 2]],[[3, 4]]])
x_data>> unsqueeze 2 # 代表原來第二維里的每個元素，套一層
tensor([[[1],        # 當前一共兩維，所以效果和 -1 一樣[2]],[[3],[4]]])

squeeze

去掉指定或全部的維度中只有一個元素的多維數組。

比如輸入為 Ax1xBxCx1xD 維的數組，輸出變成了 AxBxCxD 維的數組。

https://pytorch.org/docs/stable/generated/torch.squeeze.html

    data = [[1], [2],[3], [4]]x_data = torch.tensor(data)print("x_data")print(x_data)x2_data = x_data.squeeze()print("x_data>> squeeze")print(x2_data)x2_data = x_data.squeeze(1)print("x_data>> squeeze 1")print(x2_data)

結果：

x_data
tensor([[1],[2],[3],[4]])
x_data>> squeeze
tensor([1, 2, 3, 4])
x_data>> squeeze 1
tensor([1, 2, 3, 4])

Softmax

https://pytorch.org/docs/stable/generated/torch.softmax.html

歸一化操作。

代碼1

    data = torch.tensor([1,2,3], dtype=torch.float) # 維度 3; 注意，此處 dtype 是 int 或 long 接口報錯x_data = torch.softmax(data, 0)print("x_data")print(x_data)

結果：

x_data
tensor([0.0900, 0.2447, 0.6652])  # 維度 3

代碼2

    data = torch.tensor([[1],[2],[3]], dtype=torch.float) # 維度 3x1x_data2 = torch.softmax(data, 0)print("x_data2")print(x_data2)

結果：

x_data2  # 維度 3x1
tensor([[0.0900],[0.2447],[0.6652]])

代碼3

    data = torch.tensor([[1],[2],[3]], dtype=torch.float) # 維度 3x1x_data2 = torch.softmax(data, 1) # 沿著第一維求print("x_data2")print(x_data2)

結果：

x_data2
tensor([[1.],[1.],[1.]])

此時，每維都是 1 個元素，針對自身求 softmax，所以，結果是 1.

argmax

https://pytorch.org/docs/stable/generated/torch.argmax.html

返回一個多維數組的最大值的索引，如果是多維數組，則返回第一維的索引。

item

https://pytorch.org/docs/stable/generated/torch.Tensor.item.html
返回一個 Tensor 中攜帶的 Python Number 對象。該接口只對 Tensor 是一維的有效。

x = torch.tensor([1.0])
x.item()