持续补充
import torch1.随机相关
a = torch.randn(2,3) 正态分布 b = torch.rand(2,3) 0~1范围内随机 c = torch.rand_like(a) 模仿a的形状生成随机矩阵 d = torch.randint(1,10,[2,3,4]) 在1~10内生成形状为（2,3,4）的矩阵 a = a.cuda() 将数据加载到gpu内2.查看数据形状
a.type() 输出数据类型 a.size() == a.shape 输出张量形状 a.dim() 输出维度3.生成矩阵
a = torch.full([3,4,5],6) （3,4,5）形状矩阵，用6填满 tensor([[[6., 6., 6., 6., 6.], [6., 6., 6., 6., 6.], [6., 6., 6., 6., 6.], [6., 6., 6., 6., 6.]], [[6., 6., 6., 6., 6.], [6., 6., 6., 6., 6.], [6., 6., 6., 6., 6.], [6., 6., 6., 6., 6.]], [[6., 6., 6., 6., 6.], [6., 6., 6., 6., 6.], [6., 6., 6., 6., 6.], [6., 6., 6., 6., 6.]]]) # 小写trnsor是自己传值，大写Tensor是传维度 b = torch.tensor(4) 4为填充数据，0维的常量 c = torch.tensor([4]) 4为填充数据，1维的向量 d = torch.tensor([[4]]) 4为填充数据，2维的矩阵 e = torch.FloatTensor(2,3) （2,3）为矩阵形状 f = torch.empty(2,3,4) 原则上生成全为0的(2,3,4)维度的矩阵，事实上是很多很大的值 g = torch.eye(5,5) 对角线为1的矩阵 tensor([[1., 0., 0., 0., 0.], [0., 1., 0., 0., 0.], [0., 0., 1., 0., 0.], [0., 0., 0., 1., 0.], [0., 0., 0., 0., 1.]]) torch.arange(1,10,2) 2为步长 torch.linspace(1,10,5) 5为数据个数5.切片
基本操作与numpy切片一样，只不过涉及图像处理后，矩阵维度为四维，刚开始接触不太好理解 a = torch.randn(4,3,28,28) a.shape torch.Size([4, 3, 28, 28]) a[0].shape torch.Size([3, 28, 28]) a[0,0].shape torch.Size([28, 28]) a[0,0,0].shape torch.Size([28]) a[:2].shape torch.Size([2, 3, 28, 28]) a[:2,2:].shape torch.Size([2, 1, 28, 28]) a[:,:,::2,::2].shape torch.Size([4, 3, 14, 14]) 特殊： ... 代表最大维度 a[...].shape torch.Size([4, 3, 28, 28]) a[1,...].shape torch.Size([3, 28, 28]) a[:1,...,::2].shape # 当三个点在中间时，根据左右两边的数来确定...代表的维度 torch.Size([1, 3, 28, 14])6.维度转换
a = torch.randn(4,3,28,28) 1.打平 a.view(4,3*28*28) 将四维矩阵转化为4行，3*28*28列的二维矩阵，矩阵数据不能丢 2.增1维 a.unsqueeze(0) 0为插入维度的位置，含义为在0维之前再插入一个维度 若写为-1，则在-1维之后再插入一个维度，正负有别 a的shape变为[1,4,3,28,28] 3.降1维 只能去掉dim为1的维度 a.squeeze(0) 此维度为1的话可以删去，不然的话无效(不会报错) 4.让1维度扩展 expand:只扩展维度 a = torch.randn(1,32,1,1) a.expand(5,32,5,10) 参数为需要转换的维度 repeat:会复制数据，不常用 a.repeat(5,1,5,10) 参数为每个维度复制的次数 5.转置 a只能是二维矩阵 a.t() 6.拼接:cat(),stack() c = torch.randn(4,3,7,5) d = torch.randn(4,6,7,5) torch.cat([c,d] , dim = 1).shape >>>torch.Size([4, 9, 7, 5]) torch.stack([c,c],dim=1).shape #传入参数两者维度需相等，然后在dim参数前创建一个新维度 >>>torch.Size([4, 2, 3, 7, 5]) 7.拆分：按比例split() ， 均分chunk() w = torch.randn(4,5,6) split(步长/比例列表，dim = ？) q1 , e1 = w.split(1,dim=0) >>>q1,e1.shape:[2,5,6] q2 , e2 = w.split([3,1],dim=0) >>>q2.shape:[3,5,6] e2.shape:[1,5,6] w = torch.randn(4,5,6) q1 , e1 , t1 , u1 = w.chunk(4,dim=0) 均分四分 q1 , e1 = w.chunk(4,dim=0) 均分两份7.广播法则
特点 1.只可以将一维数据扩展为多维 2.如果两个矩阵维度不同的话就在低纬度处增加维度。 例如：a = torch.randn(2,3,4,5) b = torch.randn(3,1,1) print((a+b).shape) >>>torch.Size([2, 3, 4, 5]) 扩充过程：[3,1,1]->[1,3,1,1]->[2,3,4,5] 只可以在前面补充维度，不可在其他位置，若两者高纬度数据不等，则不能广播8.加减乘除
可直接对矩阵进行加减乘除 乘除是对相同位置上的元素进行乘除 如需按照矩阵方法进行运算：1.torch.mm() 二维矩阵的乘除 2.torch.matmul() 多维矩阵的乘除,多维矩阵相乘其实就是矩阵最高的两个维度相乘，其他维度不变 所以说相乘的两个矩阵要符合二维矩阵相乘的条件:前者列数等于后者行数 并且若其余低维不相等，还不符合广播的，则不能相乘 3.@ 第2条的简写 数据取小数和整数部分：.frac() , .trunc()9.属性统计
a = torch.randn(2,4) a.norm(int x) 求范数，x代表求几级范数,也可dim指定维度 下面的函数的返回值都是一维的，不论是否加dim，当加上dim后，还可再加keepdim=True这样可以使返回值的维度与数据集维度相同。 a.min() 返回两个tensor ， 返回最大值和其位置 a.max() a.sum() a.mean() 平均值 a.prod() 累乘 a.topk(int num , dim= , largest = True/False) 返回前num个最大(小)的概率 a.kthvalue(int location , dim=) 返回第k小的概率的值和位置 a.argmax() 求最大值的位置，dim指定维度，不指定的话会将a矩阵打平，求最大值位置 a.argmin() 求最小值的位置 torch.eq(a , b) 返回一个0,1矩阵 torch.equal(a , b) a和b完全相同时返回True，否则返回False。10.高阶操作
torch.where(condition , x , y) 返回值为tensor: condition , x , y维度相同，且condition为0,1矩阵 如果condition内位置上为1，则取x内的值，否则取y内的值，然后组成一个新tensor返回 torch.gather(input , dim , index , out=None): input:可以理解为标签 dim：维度 index：标签的坐标，然后以此返回个新的tensor out=None