一、分类和回归

• 分类是预测一个离散标签的任务（硬币的正反）
• 回归是预测一个连续数量的任务（股价的走势）

二、张量创建

一个张量是一个数字、向量、矩阵或任何n维数组

1、直接创建

torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)

• data: 数据，可以是list，numpy
• dtype: 数据类型，默认与data的一致
• device: 所在设备，cuda/cpu
• requires_grad: 是否需要梯度
• pin_memory: 是否存于锁页内存

a = torch.tensor([[0.1, 1.2], [2.2, 3.1], [4.9, 5.2]])
print(a)

2、按照数值创建

torch.zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

• size: 张量的形状，如(3, 3)、(3, 224, 224)
• out: 输出的张量
• layout: 内存中布局形式，有strided, sparse_coo等
• device: 所在设备，gpu/cpu
• requires_grad: 是否需要梯度

torch.zeros(2, 3)

类似的方法：

• torch.zeros_like
• torch.ones
• torch.ones_like

三、张量操作

1、基本操作

将张量按维度dim进行拼接

torch.cat(tensors, dim=0, out=None)

import torch

a = torch.randn(2,3)
print(a)
b = torch.cat((a, a, a), 1)
print(b)

tensor([[-0.4353, -1.5063, -2.1222],
        [-2.3913, -1.3487,  0.2826]])
tensor([[-0.4353, -1.5063, -2.1222, -0.4353, -1.5063, -2.1222, -0.4353, -1.5063,
         -2.1222],
        [-2.3913, -1.3487,  0.2826, -2.3913, -1.3487,  0.2826, -2.3913, -1.3487,
          0.2826]])

在新创建的维度dim上进行拼接

torch.stack(tensors, dim=0, out=None)

将张量按维度dim进行平均切分

torch.chunk(input, chunks, dim=0)

将张量按维度dim进行切分

torch.split(tensor, split_size_or_sections, dim=0)

2、张量变化

变换张量形状

torch.reshape(input, shape)

import torch

a = torch.arange(4.)
print(a)
b = torch.reshape(a, (2, 2))
print(b)

tensor([0., 1., 2., 3.])
tensor([[0., 1.],
        [2., 3.]])

交换张量的两个维度

torch.transpose(input, dim0, dim1)

• input：要交换的张量
• dim0：要交换的维度
• dim1：要交换的维度

import torch

x = torch.randn(2, 3)
print(x)
b = torch.transpose(x, 0, 1)
print(b)

tensor([[-0.1400,  0.1028, -0.6031],
        [-0.1887, -0.1407,  1.5659]])
tensor([[-0.1400, -0.1887],
        [ 0.1028, -0.1407],
        [-0.6031,  1.5659]])

2维张量专置

x = torch.randn(())
torch.t(x)