1.张量数据类型

 

 比如数字2在pytorch中就是intTensor类型，该维度为0即dim=0 ，pytorch内部没有自带的string 类型表示方法，要用的话只能通过以下两种编码方法表示：

one-hot ： 如猫类别用【0 1】表示，狗类别用【1 0】表示

embedding:如果是汉字或者英文单词的话one-hot 表示就很费劲了，embedding 就是用数字的方式去表示语言，常用的编码器有Word2vec、glove

pytorch中的数据类型：

 类型练习：

a = torch.randn(2,3)
print(a)
print(a.type())
print(type(a))
print(isinstance(a,torch.FloatTensor))

输出：
tensor([[-0.5431, -1.4844, -0.2626],
        [-2.0485, -1.3132, -0.4242]])
torch.FloatTensor
<class 'torch.Tensor'>
True

0维数据（标量，dim=0）:loss计算

print(torch.tensor(1.))
print(torch.tensor(1.3))
b = torch.tensor(2.2)
print(b.shape)  #tensor 的维度
print(b.size()) #size是tensor的形状
输出：
tensor(1.)
tensor(1.3000)
torch.Size([])
torch.Size([])

1维数据（vector）：偏置b

 1 print(torch.tensor([1.1,2.2])) #带了中括号
 2 print(torch.FloatTensor(1))   #生成dim为1，长度为1的向量
 3 print(torch.FloatTensor(2))   #生成dim为1，长度为2的向量
 4 data = np.ones(2) 

 5 print(data)  
 6 print(type(data)) 
 7 print(torch.from_numpy(data))  #numpy转成tensor

 8 a = torch.ones(2) 
 9 print(a) 
 10 print(a.shape)

对应输出如下：

1 tensor([1.1000, 2.2000])
2 tensor([2.8026e-45])
3 tensor([1.4013e-45, 0.0000e+00])
4 [1. 1.]
5 <class 'numpy.ndarray'>
6 tensor([1., 1.], dtype=torch.float64)
7 tensor([1., 1.])
8 torch.Size([2])

2维（带有batch的lLinear输入）：如[4,784]   4表示哪一张照片（第0张，第1张···），784表示照片的内容

a = torch.randn(2,3) #随机正太分布
print(a)
print(a.shape)
print(a.shape[0]) 
print(a.size(0)) #返回shape的第0个元素
输出：
tensor([[ 1.1059,  1.2595,  0.9021],
        [-1.5283, -1.3688, -1.1164]])
torch.Size([2, 3])
2
2

3维(RNN)：如[10，100]一句话有10个单词，每个单词用one-hot  100维的向量编码，baatch插在中间，[10,20,100]每次处理20句话，很适合nlp中的文字处理

a = torch.randn(1,2,3)  #rand是随机均匀分布，数字都在0到1之间产生
b = torch.randn(3,2,3)
print(a)
print(a[0]) #打印第1个维度的第0个元素
print(b)
print(b[1]) #打印第2个维度的第0个元素（共3个维度）
输出：
tensor([[[-0.0764, -0.5074,  0.0471],
         [ 0.0092, -0.3284,  1.0120]]])

tensor([[-0.0764, -0.5074,  0.0471],
         [ 0.0092, -0.3284,  1.0120]])

4维（CNN：[b,c,h,w]） 如：[2,3,28,28]每张图大小28*28，每张图片通道数为3（RGB），2表示2张照片

c = torch.randn(2,1,2,4)
d = torch.randn(2,3,2,4)
print(c)
print(d)
c.numel() #a占用内存大小，2*1*2*4=16
c.dim() #返回4
输出：
tensor([[[[ 0.7643, -0.4273,  0.3473,  0.2171],
          [ 0.0261,  0.0090, -2.1018,  0.6874]]],


        [[[-0.4100, -0.1656, -0.3416, -0.0297],
          [ 0.1740,  0.0209,  1.6028, -0.1436]]]])
tensor([[[[ 0.2537, -0.8912,  0.1682,  0.8999],
          [ 0.1054,  0.8026,  0.3454, -0.6667]],

         [[ 1.2564,  0.8965, -0.7657,  0.2069],
          [ 0.4461, -1.0962,  1.0200, -0.0228]],

         [[ 1.0028, -1.1200, -0.0214, -1.6208],
          [-1.9092,  0.8667, -0.0240, -0.5384]]],


        [[[-2.8231,  1.2762,  0.7280,  0.7616],
          [ 1.9921,  0.6339, -0.4522,  0.2168]],

         [[ 0.8417, -0.7774,  0.1569,  1.2210],
          [-1.3550,  0.4030,  0.4196, -0.4030]],

         [[-2.1071, -0.9418,  0.1454, -0.5797],
          [-1.5162, -0.3553, -0.5200,  0.0503]]]])