数据操作#
N 维数组#
N 维数组是机器学习和神经网络中使用的主要数据结构。
- 0-d（标量）：如
1.0，可以作为一个类别 - 1-d（向量）：如
[1.0, 2.7, 3.4]，可以作为一个特征向量 - 2-d（矩阵）：如
[[1.0, 2.7, 3.4], [5.0, 0.2, 4.6], [4.3, 8.5, 0.2]]，可以作为一个样本-特征矩阵 - 3-d：一张 RGB 图片（宽 × 高 × 通道）
- 4-d：一个 RGB 图片批量（批量大小 × 宽 × 高 × 通道）
- 5-d：一个视频批量（批量大小 × 时间 × 宽 × 高 × 通道）
创建数组需要三样东西：形状、每个元素的数据类型、每个元素的值。
访问元素#
| 写法 | 含义 |
|---|---|
[1, 2] | 访问一个元素 |
[1, :] | 访问编号为 1 的一整行 |
[:, 1] | 访问编号为 1 的一整列 |
[1:3, 1:] | 访问子区域：第 1 行开始、第 3 行结束（开区间），每行从编号 1 取到行尾 |
[::3, ::2] | 从 (0, 0) 元素开始间隔访问，行间隔 3、列间隔 2 |
意即，对于二维张量来说，第一维表示行，第二维表示列。更高维的情况可以递归理解： 对于形状为 \((d_0, d_1, \dots, d_{n-1})\) 的 \(n\) 维张量，可以看作 \(d_0\) 个 \(n-1\) 维张量，dim0 对应最外层。
实际操作数据#
需要用到 torch 包：
张量#
PyTorch 中的张量实际上就是 n 维数组，但与 NumPy 中的数组有些区别， 比如张量可以放在 GPU 上、可以自动求导等。
常见的创建方式：
torch.tensor([1, 2, 3]) # 从数据创建，整数默认 int64
torch.tensor([1., 2., 3.]) # 浮点默认 float32
torch.zeros(2, 3) # 全 0
torch.ones(2, 3) # 全 1
torch.randn(2, 3) # 标准正态分布
torch.arange(0, 10, 2) # 序列
torch.from_numpy(np_array) # 从 NumPy 创建，可能共享内存
既然 tensor 本质仍是 n 维数组，它也可以和 NumPy 中的数组互相转换：
张量的常用操作：
x.shape # 形状，等价于 x.size()
x.dtype # 数据类型
x.device # 所在设备
x.ndim # 维度数
x.numel() # 元素总数
x.requires_grad
torch.cat([a, b], dim=0) # 在现有维度拼接
torch.stack([a, b], dim=0) # 新建维度堆叠
torch.chunk(x, 2, dim=0) # 分成若干块
torch.split(x, 2, dim=0) # 按大小拆分
注意原地操作和重新分配的差别：