58

# PyTorch张量广播机制 深度学习中的关键概念 形状转换与运算 自动求导功能介绍 张量间运算的灵活性 无需调整形状的计算方法 实际例子展示应用 理解PyTorch张量广播机制 掌握自动求导技巧

67

# PyTorch张量加法运算 # PyTorch张量减法运算 # PyTorch张量乘法运算 # PyTorch张量除法运算 # PyTorch张量加法与减法运算详解 # PyTorch张量操作技巧 # PyTorch张量编程教程 # PyTorch张量优化策略 # PyTorch张量实战案例

63

# PyTorch张量索引操作技巧 # 张量切片操作 在PyTorch中，可以使用切片操作来获取张量的子集。例如 ```python importtorch x=torch.randn(3,4) y=x[,3] z=x[0,4] ``` 在这个例子中，`y`是一个形状为(3,1)的张量，`z`是一个形状为(1,2)的张量。 # 张量高级索引 除了基本的整数索引，还可以使用布尔掩码、整数列表等进行高级索引。例如 ```python importtorch x=torch.randn(3,4) mask=x>0.5 indices=torch.nonzero(mask).T[0] result=x[indices] ``` 在这个例子中，我们首先创建了一个布尔掩码`mask`,用于筛选大于0.5的元素。然后，我们使用`torch.nonzero()`函数找到这些元素的索引。最后，我们使用这些索引从原始张量中提取相应的元素。 # 张量多维索引 对于多维张量，可以使用逗号分隔的元组或列表进行索引。例如 ```python importtorch x=torch.randn(2,3,4) y=x[0,1,2] z=x[,,1] ``` 在这个例子中，`y`是一个标量值，`z`是一个形状为(2,3)的张量。 # 张量花式索引 除了基本的索引方式，还可以使用花式索引来访问张量的特定元素。例如 ```python importtorch x=torch.randn(2,3,4) indices=torch.tensor([[0,1],[1,2]]) result=x[indices[,0],indices[,1]] ``` 在这个例子中，我们使用一个二维张量`indices`来指定要访问的元素的位置。然后，我们使用这个二维张量进行索引操作。 # 张量步长索引 在对张量进行切片操作时，可以指定步长。例如 ```python importtorch x=torch.randn(6) y=x[2] # 从头到尾，每隔一个元素取一个元素，步长为2 z=x[3] # 从第二个元素开始，每隔三个元素取一个元素，步长为3 ``` 在这个例子中，`y`是一个形状为(3,)的张量，`z`是一个形状为(2,)的张量。 # 张量视图索引 如果需要对张量进行原地修改，可以使用视图索引。例如 ```python importtorch x=torch.randn(6) x_view=x[].view(-1,1) # 将x的前两个元素去掉，并将其变为列向量，赋值给x_view ``` 在这个例子中，我们首先创建了一个视图`x_view`,它是原始张量`x`的一个子集。然后，我们将这个视图赋值给原始张量的一个新变量。这样，原始张量就被修改了。但是需要注意的是，这种修改是原地的，不会创建新的张量。