Pytorch深度学习实战——第3章课后习题

1.从$list(range(9))$中创建一个张量$a$并预测检查其大小、偏移量、步长。

import torch
a=torch.tensor(list(range(9)))
print(a.storage_offset())#偏移量
print(a.stride())#步长
print(a.size())#大小

a)使用$b=a.view(3,3)$创建一个张量，简述$view()$方法的功能，检查$a$,$b$是否共享同一个存储

view()函数：并没有改变张量在内存中真正的形状，使用view函数后，通常会使得张量的数字在语义上是连续的，但在内存上是不连续的。
在pytorch中view函数的作用为重构张量的维度，相当于numpy中resize的功能。返回的张量共享相同的数据，必须具有相同的元素数，但可能具有不同的大小。 对于要view的张量，view后的张量尺寸必须与其原始尺寸以及维度兼容。
view方法只适用于满足连续性条件的tensor，并且该操作不会开辟新的内存空间，只是产生了对原存储空间的一个新别称和引用，返回值是视图。

b=a.view(3,3)
print(a.size())
print(b.size())

b)使用$c=b[1:,1:,]$创建一个张量，并预测检查其大小、偏移量、步长。

c=b[1:,1:,]
print(b.storage_offset())#偏移量
print(b.stride())#步长
print(b.size())#大小

2.选择一个数据运算（如求余弦和平方根），能在torch库中找到相应的函数吗?

# 设置随机数种子，以保证结果可重现
torch.manual_seed(0)
c = torch.randn(4, 3)
similarity = torch.cosine_similarity(c.unsqueeze(1), c.unsqueeze(0), dim=-1)
#算余弦

a)按元素将函数作用于张量a，为什么返回一个错误？

similarity = torch.cosine_similarity(a.unsqueeze(1), a.unsqueeze(0), dim=-1)
RuntimeError: expected common dtype to be floating point, yet common dtype is Long

b)需要使用什么操作才能使函数正常操作？

a.dtype
a1=a.to(torch.float)
a1.dtype
similarity = torch.cosine_similarity(a1.unsqueeze(1), a1.unsqueeze(0), dim=-1)

本章小结

1. 神经网络中输入输出表征比较好理解，中间表征不好理解
2. 浮点表征存储于张量中
3. 张量是多维数组，是Pytorch的基础数据结构
4. 张量能够被序列化到磁盘，还能够被加载回来
5. Pytorch中的所有张量操作都可以在CPU和GPU上执行，而不需要修改代码
6. 以结尾以下画线标识的函数来表示该函数在张量上执行操作，如Tensor.sqrt_