# pytorch基础练习， tensor的基本操作
import torch
# tensor生成的几种方式 （注释部分为size大小）
"""
# 和的区别
()是Python类，更明确的说，是默认张量类型()的别名，
([4,5]) 会调用Tensor类的构造函数__init__，生成单精度浮点类型的张量。
()仅仅是Python的函数，函数原型是：
(data, dtype=None, device=None, requires_grad=False)
其中data可以是：list, tuple, array, scalar等类型。
()可以从data中的数据部分做拷贝（而不是直接引用），
根据原始数据类型生成相应的，，。
"""
a = (4, 5) # [4,5]
b = (4, 5) # 随机生成,[4,5]
aa = (2, 1, 2, 4, 2) # [2,1,2,4,2]
bb = ([-1, -2, 3]) # [3]
# tensor和其他类型之间的相互转化
# 1、numpy
c = () # tensor转numpy
d = torch.from_numpy(c) # numpy转tensor
# 2、list
c = () # tensor转list
# 3、CPU/GPU
# c = ()
# d = ()
# tensor的数学操作
# 相加
c = a + b
c = (a, b)
d = (a, 20) # 可以加上标量，也可以加上张量
# 求每个元素的绝对值
c = torch.abs(bb)
# 数理统计
# 求平均值，第二个参数表示第几个维度；从0开始计数，从左往右；最后的结果，就是去掉该位置上的维数，剩下的维数
c = (a, 0) # 按行求平均，返回的size是列数，原始：[4,5], 结果：[5]
d = (a, 1) # 按列求平均，返回的size是行数, 原始：[4,5], 结果：[4]
e = (aa, 1) # 原始：[2,1,2,4,2], 结果：[2,2,4,2]
# 判断是否相等
c = (a, b) # 对于同size的两个tensor挨个元素比较，返回同size的tensor
e = (a, 0) # 第二个参数可以是同size的tensor或者是一个数
d = (a, b) # 返回True/False
# 神经网络tensor常用操作
# 求所有元素个数
c = ()
# 维数压缩，第二个参数表示维度，从左往右，从0开始计数
d = (aa) # 去掉维数为1的维数，[2,2,4,2]
e = (aa, 2) # 指定维度的维数若为1则去除，否则还是原值 [2,1,2,4,2]
# 维数扩展，第二个参数表示维度，必现，且值不能大于原先的维数
d = (a, 1) # 在指定位置上增加一维，[4,1,5]
e = (a, 2) # [4,5,1]
# tensor拼接之stack
d = ((a, b)) # 输入必须是tuple/list，stack的拼接是建立一个新的维度，然后再在该纬度上进行拼接，默认新建的维度是第0维，[2,4,5]
e = ((a, b), 1) # [4,2,5]
f = ((a, b), -1) # [4,5,2]
g = ([a, b, b]) # [3,4,5]
# tensor拼接之cat
d = ([a, b]) # 输入必须是tuple/list，cat是在已有维度上拼接，默认是第0维，[8,5]
e = ((a, b), 1) # [4,10]
# 张量扩展之expand
# 1. 只能对维度值为1的维度进行扩展，且扩展的Tensor不会分配新的内存，只是原来的基础上创建新的视图并返回；
# 2. 无需扩展的维度请保持维度值不变。
# d = (3, 1).expand(3, 4) # 扩展的那维的值是一样的， [3,4]