import torch

import numpy as np

a=torch.tensor(3.33)

print(a)

print(a.type())  #使用type()来查看当前的数据类型

print(isinstance(a,torch.FloatTensor)) #查看是不是浮点型的

#注意数据类型是分cpu型和gpu型号的，不同的是不同的

#生成标量，维度是0的

b=torch.tensor(2.2)

print(b.shape)

print(b.size())

#生成向量，维度为1的

c=torch.tensor([2.2])

print('一维向量且只有一个元素',c)

c=torch.tensor([2.2,3.3,4.4])

print('一维向量3个元素',c)

c=torch.FloatTensor(1)

print('随机生成一维向量1个元素',c)

c=torch.FloatTensor(2)

print('随机生成一维向量两个元素',c)

numpydata=np.array([1,2,3])

c=torch.from_numpy(numpydata)

print('从numpy导入',c)

#生成向量，维度为2的  (二维的应用场景，比如(2,3)表示的是有两个数字，每个数字用一个三维向量表示)

d=torch.randn(2,3) #正态分布生成2行3列的浮点数阵

print(d)

print(d.size())

print('注意,size可以索引',d.size(0))

#生成向量，维度为3的 （三维德应用场景比如（3，3，3）。一个句子有有三个字，然后有三个句子，每一个字用一个三维向量表示）

e=torch.rand(3,3,3) #正态分布生成3行3列的浮点数阵

print(e)

print('注意,e可以索引',e[0])

#可以用list直接把e.shape转成

#生成向量，维度为4的 （四维德应用场景图片比如（3,3,4,4）。有三张照片，每个照片有三个通道（rgb），然后每一个通道的长宽是4*4）

f=torch.rand(2,2,4,4) #正态分布生成3行3列的浮点数阵

print(f)

#获取具体元素个数，所占大小

print(e.numel())

#获取维度

print(e.dim())

#torch.tensor()里面直接给numpy的数据

#torch.FloatTensor()里面给shape的形式如torch.FloatTensor(2，3)

#生成未初始化的

# 推荐使用的是torch.FloatTensor()类型，比如

cd=torch.FloatTensor(2,2,4,4)

print('这里是FloatTensor生成未初始化的',cd)

#推荐使用的是torch.IntTensor()类型，比如

cd=torch.IntTensor(2,2)

print('这里是IntTensor生成未初始化的',cd)

#设置成更加高精度的tensor类型

torch.set_default_tensor_type(torch.DoubleTensor)

#0---1之间生成随机数

a=torch.rand(3,3)

#把a的shape读出来然后再放进torch.rand

torch.rand_like(a)

#区间之间生成随机数

sd=torch.randint(1,9,(3,3))

print(sd)

#使用torch.normal生成,mean=torch.full([10],0)代表生成10个为0的数。std=torch.arange(1,0,-0.1)代表生成数的方差从1到0每次减0.1

# pc=torch.normal(mean=torch.full([10],0),std=torch.arange(1,0,-0.1))

# print(pc)

#生成全部为某个数的tensor

print(torch.full([2,3],5))

#arange生成区间内的数

print(torch.arange(0,10,2))

#linspace等分生成区间内的数,4为切成四块

print(torch.linspace(0,10,4))

#生成全部是1的

print(torch.ones(3,3))

#生产全部是0的

print(torch.zeros(3,3))

#生成对角阵

print(torch.eye(3,3))

#随机打乱生成区间

print('randperm打乱',torch.randperm(10))

import torch

import numpy as np

a=torch.rand(3,3,5,5)

#假设是3张图片，3个通道，每个通道的长5宽5

print(a)

print('站在某一张图片的立场上看shape',a[0].shape)

print('站在开头到1图片的立场上看shape',a[:2].shape)

print('站在某一个通道的立场上看shape',a[0,0].shape)

print('看第一张图的第一个通道的（1，1）像素点',a[0,0,1,1])

print('看第一张图的第一个通道的（0，0）（0，1）（1，0）（1，1）像素点',a[0,0,:2,:2])

print('隔行采样看第一张图的第一个通道的（0，0）（0，2）（2，0）（2，2）像素点,步长为2',a[0,0,:3:2,:3:2])

#使用index_select索引

print('使用index_select索引',a.index_select(0,torch.tensor([0,1])))#第一个0代表的是对图片维度执行操作，采集的是第一个和第二个图片

print('使用index_select索引',a.index_select(1,torch.tensor([0,1])))#第一个0代表的是对通道执行操作，采集的是第一个和第二个通道

#mask掩码

sd=torch.rand(3,3)

print('未掩码前',sd)

sdmask=sd.ge(0.5) #筛选出大于0.5的

print('掩码后',sdmask)

print('筛选出大于0.5的',torch.masked_select(sd,sdmask))

#维度变换

import torch

import numpy as np

#改变形状

a=torch.rand(3,3,5,5)

print(a)

#假设是3张图片，3个通道，每个通道的长5宽5  元素的总大小是3*3*5*5=225

b=a.reshape(3,3*25) #只要元素的总大小不变都能reshape

print('改成3行75列的矩阵',b)  #将3张图片每张图片用75的向量来表示

#增加维度

a=torch.rand(3,3,5,5)

a=a.unsqueeze(0) #在a的0索引前面加上一个维度1。

#假设原来是3张图片，3个通道，每个通道的长5宽5 ，现在是1个组里有3张图片，3个通道，每个通道的长5宽5

print(a.shape)

a=a.unsqueeze(-1) #在a的-1索引后面加上一个维度1。

print(a.shape)

#减少维度

sd=torch.rand(1,5,1,1)

print('无输入数字时会把所有的1的维度全给他删除了',sd.squeeze().shape)

print('输入数字时会把指定的1的维度删除了',sd.squeeze(2).shape)

#增加维度内的元素，也就是[1,5,1,1]变成[4,5,3,3]的过程

#！！！！！注意1变N是可以的，但是5变N是不行的！！！！！

sd=torch.rand(1,5,1,1)

print(sd.expand(4,5,3,3).shape)

#矩阵转置，只能使用2d的

sd1=torch.rand(4,5)

print(sd1.t().shape)

#确认两个tensor的一致性

t1=torch.tensor([1,2,3])

t2=torch.tensor([1,2,3])

print('检查一致性',torch.all(torch.eq(t1,t2)))

#维度变化与恢复

a=torch.rand(3,3,5,5)

a1=a.transpose(1,2).contiguous().reshape(3,75).reshape(3,5,3,5).transpose(1,2) #transport变化时记得写contiguous

print('检查变化前后是否相同',torch.all(torch.eq(t1,t2)))