目录
在深度学习中，PyTorch 的 Tensor 是核心数据结构，它类似于 NumPy 的数组，但可以在 GPU 上高效运行。除了创建 Tensor，PyTorch 还提供了丰富的操作方法，包括 Tensor 与 NumPy 数组的转换、基本运算、维度变换等。今天，我们就通过一个简单的代码示例，学习这些基本操作。
1. Tensor 与 NumPy 数组的转换
PyTorch 提供了非常方便的接口，用于在 Tensor 和 NumPy 数组之间进行转换。这在实际应用中非常有用，因为 NumPy 是 Python 中处理数组的标准库。
1.1 Tensor 转换为 NumPy 数组
t1 = torch.tensor([1, 2, 3, 4, 5])
n1 = t1.numpy()
print(n1)t1.numpy()：将 Tensor 转换为 NumPy 数组。注意，这种转换是浅拷贝，即 NumPy 数组和 Tensor 共享内存。
1.2 NumPy 数组转换为 Tensor
t2 = torch.tensor(n1)
print(t2)torch.tensor(n1)：将 NumPy 数组转换为 Tensor。这种转换是深拷贝，即生成一个新的 Tensor，不共享内存。
t3 = torch.from_numpy(n1)
print(t3)torch.from_numpy(n1)：将 NumPy 数组转换为 Tensor。这种转换是浅拷贝，即 Tensor 和 NumPy 数组共享内存。
1.3 获取单个元素的值
t4 = torch.tensor([18])
print(t4.item())t4.item()：当 Tensor 只有一个元素时，可以使用item()获取该元素的值。
2. Tensor 的基本运算
PyTorch 提供了丰富的运算操作，包括加法、减法、乘法和除法。这些运算可以分为两类：生成新 Tensor 的操作和覆盖原 Tensor 的操作。
2.1 生成新 Tensor 的运算
t1 = torch.randint(1, 10, (3, 2))
print(t1.add(1))t1.add(1)：对t1的每个元素加 1，结果生成一个新的 Tensor。
2.2 覆盖原 Tensor 的运算
print(t1.add_(1))t1.add_(1)：对t1的每个元素加 1，结果覆盖原 Tensor。
2.3 阿达玛积（逐元素乘法）
t1 = torch.tensor([[1, 2], [3, 4]])
t2 = torch.tensor([[5, 6], [7, 8]])
t3 = t1 * t2
print(t3)t1 * t2：逐元素乘法，即对应位置的元素相乘。
2.4 矩阵乘法
t1 = torch.tensor([[1, 2], [3, 4]])
t2 = torch.tensor([[5, 6], [7, 8]])
t3 = torch.matmul(t1, t2)
print(t3)torch.matmul(t1, t2)：矩阵乘法，符合矩阵乘法的规则。
3. Tensor 的形状变换
在深度学习中，经常需要对 Tensor 的形状进行变换，例如在卷积神经网络中调整输入数据的维度。PyTorch 提供了 view() 和 reshape() 方法来实现这一点。
3.1 view() 方法
t1 = torch.tensor([[1, 2, 3], [4, 5, 6]])
t2 = t1.view(3, 2)
print(t2)t1.view(3, 2)：将 Tensor 的形状从(2, 3)变为(3, 2)。注意，view()要求 Tensor 的内存是连续的。
3.2 reshape() 方法
t1 = torch.tensor([[1, 2, 3], [4, 5, 6]])
t3 = t1.reshape(3, 2)
print(t3)t1.reshape(3, 2)：与view()类似，但reshape()不要求内存是连续的。
4. 维度变换
在处理多维数据时，经常需要对 Tensor 的维度进行变换，例如在处理图像数据时交换通道维度。
4.1 transpose() 方法
t1 = torch.randint(1, 20, (3, 4, 5))
t2 = torch.transpose(t1, 0, 1)
print(t2)torch.transpose(t1, 0, 1)：交换 Tensor 的第 0 维和第 1 维。
4.2 permute() 方法
t3 = t1.permute(1, 0, 2)
print(t3)t1.permute(1, 0, 2)：可以同时交换多个维度，非常灵活。
5. 完整代码示例
import torch
def test01():
t1 = torch.tensor([1,2,3,4,5])
# numpy():将tensor转换为numpy数组,浅拷贝:如果要深拷贝，需要使用copy()
# tensor():将numpy数组转换为tensor，深拷贝
# from_numpy():将numpy数组转换为tensor，浅拷贝
n1 = t1.numpy()
print(n1)
t2 = torch.tensor(n1)
print(t2)
t3 = torch.from_numpy(n1)
print(t3)
# item():当tensor只有一个元素时，使用item()获取该元素的值
# t4 = torch.tensor(18)
t4 = torch.tensor([18])
print(t4)
print(t4.item())
# t5 = torch.tensor([18],device='cuda')
# print(t5.item())
def test02():
torch.manual_seed(0)
# tensor运算
# add, sub , mul, div等，计算结果会生成新的tensor
# add_, sub_, mul_, div_等，计算结果会覆盖原来的tensor
t1 = torch.randint(1 , 10, (3, 2))
print(t1)
print(t1.add(1))
print(t1)
print(t1.add_(1))
print(t1)
'''
阿达码积：两个矩阵对应位置相乘，得到一个新的矩阵
Cij = Aij * Bij
运算符号： mul或者*
矩阵运算：(m,p) * (p,n) = (m,n)
'''
def test03():
t1 = torch.tensor([1,2],[3,4])
t2 = torch.tensor([5,6],[7,8])
t3 = t1 * t2
print(t3)
'''
view():改变tensor的形状，不改变tensor的数据,内存是连续的
reshape():改变tensor的形状，不改变tensor的数据,内存不连续
'''
def test04():
t1 = torch.tensor([1,2,3],[4,5,6])
print(t1.is_contiguous())
t2 = t1.view(3, 2)
print(t2.is_contiguous())
t3 = t1.t()
print(t3)
print(t3.is_contiguous())
t4 = t3.view(2, 3)
print(t4.is_contiguous())
'''
维度变换
transpose():转置,交换张量的两个维度， 只能交换两个维度
permute(input,dims):维度变换，可以交换多个维度
'''
def test05():
t1 = torch.randint(1, 20, (3, 4, 5))
print(t1)
t2 = torch.transpose(t1, 0, 1)
print(t2)
print(t2.is_contiguous())
t3 = t1.permute(t1, (1, 0, 2))
print(t3)
print(t3.shape)
if __name__ == '__main__':
# test01()
# test02()
# test03()
# test04()
test05()6. 总结
通过这篇文章，我们学习了 PyTorch 中 Tensor 的基本操作，包括：
如何在 Tensor 和 NumPy 数组之间进行转换。
如何进行基本的数学运算。
如何改变 Tensor 的形状。
如何对 Tensor 的维度进行变换。
这些操作是深度学习的基础，希望这篇文章能帮助你更好地理解和使用 PyTorch！