本系列文章配套代码获取有以下两种途径：
-
通过百度网盘获取：
链接：https://pan.baidu.com/s/1XuxKa9_G00NznvSK0cr5qw?pwd=mnsj提取码：mnsj
-
前往GitHub获取：
https://github.com/returu/PyTorchPython中列表list是一种动态数组，它能够容纳任意类型的对象，并且可以随着需要而增长或缩小。在内存分配方面，Python列表并不是直接存储数据，而是存储了对数据的引用。这意味着列表中的每个元素实际上是一个指向内存中某处的指针，该处存储了实际的数据。
张量的存储视图：
>>> a = torch.arange(6).reshape(2,3)
>>> a
tensor([[0, 1, 2],
[3, 4, 5]])
# 对张量a进行reshape操作
>>> b = a.reshape(3,2)
>>> b
tensor([[0, 1],
[2, 3],
[4, 5]])
# 对张量a进行索引切片操作
>>> c = a[:,:2]
>>> c
tensor([[0, 1],
[3, 4]])
# 判断三个tensor的存储区的内存地址是否一样
>>> a.untyped_storage().data_ptr() == b.untyped_storage().data_ptr() == c.untyped_storage().data_ptr()
True
>>> c[0,0] = 9
>>> a
tensor([[9, 1, 2],
[3, 4, 5]])
>>> b
tensor([[9, 1],
[2, 3],
[4, 5]])
张量元数据：
-
形状是一个元祖，用于表示张量在每个维度上有多少个元素，通过tensor.size()获取； -
偏移量是指在tensor的第一个元素与storage的第一个元素的偏移量，通过tensor.storage_offset()获取； -
步长是一个元祖，指在存储区中为了获得下一个元素需要跳过的元素数量，通过tensor.stride()获取。
# 张量a、b、c的形状
>>> a.size() , b.size() , c.size()
(torch.Size([2, 3]), torch.Size([3, 2]), torch.Size([2, 2]))
# 张量a、b、c的步长
>>> a.stride() , b.stride() , c.stride()
((3, 1), (2, 1), (3, 1))
# 张量a、b、c的偏移量
>>> a.storage_offset() , b.storage_offset() , b.storage_offset()
(0, 0, 0)
-
张量a中的第一个元素0，与storage的第一个元素的偏移量storage_offset=0，即存储区第1个元素； -
步长stride=（3,1），即在行方向上为了获得下一个元素需要跳过1个元素，在列方向上为了获得下一个元素需要跳过3个元素。
更多内容可以前往官网查看：
https://pytorch.org/
本篇文章来源于微信公众号: 码农设计师
