学习深度学习Pytorch（一）——数据操作与预处理

文章结构概述

• 1. 数据操作的实现
  • • 1.1 创建张量
    • 1.2 张量的属性
    • 1.3 张量的操作
    • 1.4 节省内存

  • 2. 数据预处理

  • 参考资料

张量（tensor）相较于Numpy中的ndarray具备更多关键特性，其本质是一种由数组构成的多维数据结构。

• （1）GPU在计算加速方面具有显著优势，而Numpy仅能够依赖CPU进行运算。
• （2）张量类具备自动微分的功能，为模型训练提供了便利。

1. 数据操作的实现

初始步骤应包含torch库的引入操作：

    import torch
    
    
      
    

1.1 创建张量

存在四种途径可用于生成张量。

• 生成随机张量：rand(), randn(), empty()
• 构建特定类型张量：zeros(), ones(), arange()+reshape()
• 借助列表构造张量：torch.tensor([ ])
• 基于已有tensor生成新tensor：torch.randn_like()

（1）生成随机张量

• randn
  通过调用torch.randn(x,y)函数实现随机张量的创建。

    to