趋近智
趋近智
练习张量操作技术，包括索引、形状改变、组合、广播、数据类型以及张量在不同设备间的移动。通过这些示例进行练习是巩固理解的最佳途径。请确保已导入PyTorch。
import torch
import numpy as np
# 检查CUDA是否可用并设置设备
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"正在使用设备: {device}")
索引和切片是访问和修改张量部分内容的基本操作。让我们尝试选择特定的数据点。
任务1： 创建一个二维张量，并选择第二行第三列的元素。
# 创建一个示例二维张量（3行，4列）
data = [[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]
tensor_2d = torch.tensor(data)
print("原始张量:\n", tensor_2d)
# 选择行索引为1、列索引为2的元素
element = tensor_2d[1, 2]
print("\n在 [1, 2] 的元素:", element)
print("值:", element.item()) # 使用 .item() 获取Python数值
任务2： 选择 tensor_2d 的整个第二行。
# 选择索引为1的行
row_1 = tensor_2d[1]
print("\n第二行（索引1）:\n", row_1)
# 使用切片的替代方法（选择第1行，所有列）
row_1_alt = tensor_2d[1, :]
print("\n第二行（替代方法）:\n", row_1_alt)
任务3： 选择 tensor_2d 的第三列。
# 选择所有行，列索引为2
col_2 = tensor_2d[:, 2]
print("\n第三列（索引2）:\n", col_2)
任务4： 创建一个布尔掩码以选择 tensor_2d 中所有大于7的元素，然后使用该掩码提取这些元素。
# 创建布尔掩码
mask = tensor_2d > 7
print("\n布尔掩码（张量 > 7）:\n", mask)
# 应用掩码
selected_elements = tensor_2d[mask]
print("\n大于7的元素:\n", selected_elements)
这些练习说明了标准Python索引如何结合类似NumPy的切片和布尔掩码，以提供灵活的数据访问方式。
在不改变张量数据的情况下改变其形状是很常见的，尤其是在为不同神经网络 (neural network)层准备输入时。
任务1： 创建一个包含12个元素的一维张量，并将其形状改为3x4的张量。
tensor_1d = torch.arange(12) # 创建一个值从0到11的张量
print("\n原始一维张量:", tensor_1d)
# 使用 reshape() 改变形状
reshaped_tensor = tensor_1d.reshape(3, 4)
print("\n改变形状为3x4:\n", reshaped_tensor)
# 使用 view() 改变形状 - 注意 view 适用于内存连续的张量
# arange 创建的是连续张量，因此 view 在这里适用。
view_tensor = tensor_1d.view(3, 4)
print("\n视为3x4:\n", view_tensor)
请记住，view 要求张量在内存中是连续的，并共享底层数据。reshape 可能会返回一个副本或视图，具体取决于连续性。
任务2： 给定 reshaped_tensor（3x4），使用 permute 交换其维度，得到一个4x3的张量。
# 原始3x4张量
print("\n原始3x4张量:\n", reshaped_tensor)
# 交换维度0和1
permuted_tensor = reshaped_tensor.permute(1, 0)
print("\n置换为4x3:\n", permuted_tensor)
print("原始形状:", reshaped_tensor.shape)
print("置换后形状:", permuted_tensor.shape)
permute 在改变图像维度顺序等任务中有用（例如，从通道数 x 高度 x 宽度 变为 高度 x 宽度 x 通道数）。
合并或拆分张量通常是必要的，尤其是在处理批次或不同特征集时。
任务1： 创建两个2x3张量，并沿维度0（行）连接它们。
tensor_a = torch.tensor([[1, 2, 3], [4, 5, 6]])
tensor_b = torch.tensor([[7, 8, 9], [10, 11, 12]])
print("\n张量A:\n", tensor_a)
print("张量B:\n", tensor_b)
# 沿维度0连接（堆叠行）
concatenated_rows = torch.cat((tensor_a, tensor_b), dim=0)
print("\n沿行连接（dim=0）:\n", concatenated_rows)
print("形状:", concatenated_rows.shape) # 应该是 4x3
任务2： 沿维度1（列）连接 tensor_a 和 tensor_b。
# 沿维度1连接（连接列）
concatenated_cols = torch.cat((tensor_a, tensor_b), dim=1)
print("\n沿列连接（dim=1）:\n", concatenated_cols)
print("形状:", concatenated_cols.shape) # 应该是 2x6
任务3： 使用 stack 组合 tensor_a 和 tensor_b，形成一个形状为2x2x3的新张量。
# 堆叠张量 - 创建一个新维度（默认 dim=0）
stacked_tensor = torch.stack((tensor_a, tensor_b), dim=0)
print("\n堆叠的张量（dim=0）:\n", stacked_tensor)
print("形状:", stacked_tensor.shape) # 应该是 2x2x3
# 沿维度1堆叠
stacked_tensor_dim1 = torch.stack((tensor_a, tensor_b), dim=1)
print("\n堆叠的张量（dim=1）:\n", stacked_tensor_dim1)
print("形状:", stacked_tensor_dim1.shape) # 应该是 2x2x3
请注意 stack 如何添加一个新维度，而 cat 沿着现有维度连接。
任务4： 创建一个6x4张量，并沿维度0将其拆分为三个等大小的部分。
tensor_to_split = torch.arange(24).reshape(6, 4)
print("\n待拆分张量（6x4）:\n", tensor_to_split)
# 沿维度0拆分为3个部分
chunks = torch.chunk(tensor_to_split, chunks=3, dim=0)
print("\n拆分为3个部分:")
for i, chunk in enumerate(chunks):
print(f"部分 {i}（形状 {chunk.shape}）:\n", chunk)
广播简化了不同形状张量之间的操作。
任务1： 创建一个3x3张量和一个1x3张量（行向量 (vector)）。将它们相加。
matrix = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
row_vector = torch.tensor([[10, 20, 30]]) # 形状 1x3
print("\n矩阵（3x3）:\n", matrix)
print("行向量（1x3）:\n", row_vector)
# 广播加法: row_vector 被扩展以匹配 matrix 的形状
result = matrix + row_vector
print("\n矩阵 + 行向量（广播）:\n", result)
PyTorch 自动扩展了 row_vector（形状1x3）的行，使其形状变为3x3，从而允许与 matrix 进行逐元素相加。
任务2： 创建一个3x3张量和一个3x1张量（列向量）。将它们相加。
col_vector = torch.tensor([[100], [200], [300]]) # 形状 3x1
print("\n矩阵（3x3）:\n", matrix)
print("列向量（3x1）:\n", col_vector)
# 广播加法: col_vector 被扩展以匹配 matrix 的形状
result_col = matrix + col_vector
print("\n矩阵 + 列向量（广播）:\n", result_col)
这里，col_vector（形状3x1）被广播到各列，以匹配 matrix 的3x3形状。
管理数据类型对于内存效率和数值稳定性很重要。
任务1： 创建一个整数张量并检查其 dtype。然后将其转换为浮点张量。
int_tensor = torch.tensor([1, 2, 3, 4])
print("\n整数张量:", int_tensor)
print("数据类型:", int_tensor.dtype)
# 转换为 float32
float_tensor = int_tensor.to(torch.float32)
# 替代方法: float_tensor = int_tensor.float()
print("\n转换为浮点张量:", float_tensor)
print("数据类型:", float_tensor.dtype)
任务2： 创建一个浮点张量并将其转换为整数张量。观察任何变化。
float_tensor_orig = torch.tensor([1.1, 2.7, 3.5, 4.9])
print("\n原始浮点张量:", float_tensor_orig)
print("数据类型:", float_tensor_orig.dtype)
# 转换为 int32
int_tensor_cast = float_tensor_orig.to(torch.int32)
# 替代方法: int_tensor_cast = float_tensor_orig.int()
print("\n转换为整数张量:", int_tensor_cast)
print("数据类型:", int_tensor_cast.dtype)
请注意，从浮点数转换为整数会截断小数部分。请注意可能的数据精度损失。
将张量移动到合适的设备（CPU或GPU）是必要的，以发挥硬件加速的优势。
任务1： 创建一个张量并检查其默认设备。然后，将其移动到GPU（如果可用），再移回CPU。
# 创建张量（除非另有说明，否则默认为CPU）
cpu_tensor = torch.randn(2, 2)
print(f"\n张量在CPU上: {cpu_tensor.device}\n", cpu_tensor)
# 移动到配置的设备（如果可用则为GPU，否则为CPU）
device_tensor = cpu_tensor.to(device)
print(f"\n张量已移动到 {device_tensor.device}:
", device_tensor)
# 明确移回CPU
cpu_tensor_again = device_tensor.to("cpu")
print(f"\n张量已移回CPU: {cpu_tensor_again.device}
", cpu_tensor_again)
# 执行操作 - 需要张量在同一设备上
if device_tensor.device != cpu_tensor.device:
print("\n在不同设备上的张量相加会导致错误。")
# 这会失败: cpu_tensor + device_tensor
# 正确方法:
result_on_device = device_tensor + device_tensor
print(f"在 {result_on_device.device} 上的操作结果:
", result_on_device)
else:
print("\n两个张量都在CPU上，相加没问题。")
result_on_cpu = cpu_tensor + cpu_tensor_again
print(f"在 {result_on_cpu.device} 上的操作结果:
", result_on_cpu)
请记住，张量之间的操作通常要求它们在同一设备上进行。使用 .to(device) 显式移动张量是 PyTorch 代码中常见的做法，尤其是在为GPU训练准备数据和模型时。
本次实践涵盖了操作张量的主要技巧。随着您构建更复杂的模型，熟练掌握索引、形状改变、组合张量、理解广播、管理数据类型以及控制设备放置将变得愈发重要。
这部分内容有帮助吗？
© 2026 ApX Machine LearningAI伦理与透明度•