2024年大数据最全PyTorch 一小时学会基本操作

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

创建数据

torch.empty()

创建一个空张量矩阵.

格式：

torch.empty(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False, pin_memory=False, memory_format=torch.contiguous_format) → Tensor

参数:

• size: 生成矩阵的形状, 必选
• dtype: 数据类型, 默认为 None

  例子:

  # 创建一个形状为[2, 2]的矩阵
  a = torch.empty(2, 2)
  print(a)
  # 创建一个形状为[3, 3]的矩阵
  b = torch.empty(3, 3)
  print(b)
  

  输出结果:

  tensor([[0., 0.],
          [0., 0.]])
  tensor([[0., 0., 0.],
          [0., 0., 0.],
          [0., 0., 0.]])
  

  torch.zeros()

  创建一个全零矩阵.

  格式:

  torch.zeros(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
  

  参数:

  • size: 生成矩阵的形状, 必选
  • dtype: 数据类型, 默认为 None

    例子:

    # 创建一个形状为[2, 2]的全零数组
    a = torch.zeros([2, 2], dtype=torch.float32)
    print(a)
    # 创建一个形状为[3, 3]的全零数组
    b = torch.zeros([3, 3], dtype=torch.float32)
    print(b)
    

    输出结果:

    tensor([[0., 0.],
            [0., 0.]])
    tensor([[0., 0., 0.],
            [0., 0., 0.],
            [0., 0., 0.]])
    

    torch.ones()

    创建一个全一矩阵.

    格式:

    torch.ones(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
    

    参数:

    • size: 生成矩阵的形状, 必选
    • dtype: 数据类型, 默认为 None

      例子:

      # 创建一个形状为[2, 2]的全一数组
      a = torch.ones([2, 2], dtype=torch.float32)
      print(a)
      # 创建一个形状为[3, 3]的全一数组
      b = torch.ones([3, 3], dtype=torch.float32)
      print(b)
      

      输出结果:

      tensor([[1., 1.],
              [1., 1.]])
      tensor([[1., 1., 1.],
              [1., 1., 1.],
              [1., 1., 1.]])
      

      torch.tensor()

      通过数据创建张量.

      格式:

      torch.tensor(data, *, dtype=None, device=None, requires_grad=False, pin_memory=False) → Tensor
      

      参数:

      • data: 数据 (数组, 元组, ndarray, scalar)
      • dtype: 数据类型, 默认为 None

        例子:

        # 通过数据创建张量
        array = np.arange(1, 10).reshape(3, 3)
        print(array)
        print(type(array))
        tensor = torch.tensor(array)
        print(tensor)
        print(type(tensor))
        

        输出结果:

        [[1 2 3]
         [4 5 6]
         [7 8 9]]
        tensor([[1, 2, 3],
                [4, 5, 6],
                [7, 8, 9]], dtype=torch.int32)
        

        torch.rand()

        创建一个 0~1 随机数的张量矩阵.

        格式:

        torch.rand(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
        

        参数:

        • size: 生成矩阵的形状, 必选
        • dtype: 数据类型, 默认为 None

          例子:

          # 创建形状为[2, 2]的随机数矩阵
          rand = torch.rand(2, 2)
          print(rand)
          

          输出结果:

          tensor([[0.6209, 0.3424],
                  [0.3506, 0.7986]])
          

          数学运算

          torch.add()

          既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

          由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

          需要这份系统化资料的朋友，可以戳这里获取

          …(img-e5ozUF77-1715594759202)]

          [外链图片转存中…(img-jeCyXW4w-1715594759202)]

          既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

          由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

          需要这份系统化资料的朋友，可以戳这里获取