import torch # для начала импортируем саму библиотеку

?torch.tensor()

Docstring:
tensor(data, *, dtype=None, device=None, requires_grad=False, pin_memory=False) -> Tensor

Constructs a tensor with :attr:`data`.

.. warning::

    :func:`torch.tensor` always copies :attr:`data`. If you have a Tensor
    ``data`` and want to avoid a copy, use :func:`torch.Tensor.requires_grad_`
    or :func:`torch.Tensor.detach`.
    If you have a NumPy ``ndarray`` and want to avoid a copy, use
    :func:`torch.as_tensor`.
...

# Тензоры можно создавать несколькими способами:
 
# Из списка
print('Из списка\n', torch.tensor([1, 2, 3, 4, 5]), '\n---------\n\n')
 
# Заполняя их нормально распределенными случайными числами.
# Такая функция принимает размер тензора на вход 
print('Нормальное распределение\n', torch.randn((5,)), '\n')  # Здесь мы создаем вектор длины 5
print(torch.randn((2, 2)), '\n---------\n\n') # А здесь матрицу 2 на 2
 
# Заполняя их целыми случайными числами
# Такая функция принимает на вход размер тензора
# и верхнюю границу интервала, из которого будут
# выбираться случайные числа.
print('Целые случайные числа\n', torch.randint(high=10, size=(5,)), '\n')  # Здесь мы создаем вектор длины 5
print(torch.randint(high=10, size=(2, 2)), '\n---------\n\n') # А здесь матрицу 2 на 2

Из списка
 tensor([1, 2, 3, 4, 5]) 
---------

Нормальное распределение
 tensor([2.2068, 2.0775, 2.5762, 1.4185, 1.6751]) 

tensor([[ 1.3320, -0.2528],
        [-0.4859,  0.9697]]) 
---------

Целые случайные числа
 tensor([5, 5, 4, 4, 2]) 

tensor([[2, 3],
        [8, 2]])

# Создадим целочисленный тензор 3-го ранга и обратимся к нему по индексам
 
our_tensor = torch.randint(high=10, size=(2, 3, 4))
print('А вот и наш тензор:\n', our_tensor)
 
# Теперь обратимся к какому-то его элементу
 
# Обращаемся к нулевому элементу. 
# Нулевой элемент -- это в данном случае матрица 3 на 4
print('\nНулевой элемент:\n', our_tensor[0])
 
# Обращаемся к нулевой строке нулевого элемента. 
print('\nНулевая строка нулевого элемент:\n', our_tensor[0][0])
 
# Обращаемся к элементу с индексом 1, 2, 3
# То есть первая матрица, вторая строка, третий элемент
print('\nПервая матрица, вторая строка, третий элемент:\n', our_tensor[1][2][3])
 
# Кроме того, индексы можно писать через запятую:
print('\nПишем индексы через запятую:\n', our_tensor[1, 2, 3])

А вот и наш тензор:
 tensor([[[9, 8, 2, 9],
         [0, 5, 3, 9],
         [2, 1, 2, 8]],

        [[2, 7, 5, 9],
         [5, 9, 8, 5],
         [6, 8, 0, 2]]])

Нулевой элемент:
 tensor([[9, 8, 2, 9],
        [0, 5, 3, 9],
        [2, 1, 2, 8]])

Нулевая строка нулевого элемент:
 tensor([9, 8, 2, 9])

Первая матрица, вторая строка, третий элемент:
 tensor(2)

Пишем индексы через запятую:
 tensor(2)

# Воспользуемся нашим тензором из предыдущей клетки
print('Все тот же наш тензор:\n', our_tensor)
 
# Возьмем срез всех строк, всех столбцов всех матриц,
# то есть просто выведем весь тензор, используя знания о срезах
print('\nСрез всего тензора:\n', our_tensor[:, :, :])

Все тот же наш тензор:
 tensor([[[6, 7, 6, 6],
         [0, 3, 2, 6],
         [0, 3, 9, 2]],

        [[9, 9, 6, 2],
         [5, 5, 8, 1],
         [2, 6, 0, 9]]])

Срез всего тензора:
 tensor([[[6, 7, 6, 6],
         [0, 3, 2, 6],
         [0, 3, 9, 2]],

        [[9, 9, 6, 2],
         [5, 5, 8, 1],
         [2, 6, 0, 9]]])

# Теперь выведем только нулевую матрицу со всеми ее строками и столбцами
print('\nТолько нулевая матрица:\n', our_tensor[0, :, :])
 
# Точно также выведем первую матрицу со всеми ее строками и столбцами
print('\nТолько первая матрица:\n', our_tensor[1, :, :])

Только нулевая матрица:
 tensor([[9, 8, 2, 9],
        [0, 5, 3, 9],
        [2, 1, 2, 8]])

Только первая матрица:
 tensor([[2, 7, 5, 9],
        [5, 9, 8, 5],
        [6, 8, 0, 2]])

# А теперь выведем только нулевые строки всех матриц
print('\nТолько нулевые строки всех матриц:\n', our_tensor[:, 0, :])
 
# Теперь выведем только вторые строки всех матриц
print('\nТолько вторые строки всех матриц:\n', our_tensor[:, 2, :])

Только нулевые строки всех матриц:
 tensor([[9, 8, 2, 9],
        [2, 7, 5, 9]])

Только вторые строки всех матриц:
 tensor([[2, 1, 2, 8],
        [6, 8, 0, 2]])

# А сейчас выведем первые столбцы всех матриц
# Не удивляйтесь, они положены на бок
print('\nТолько первые столбцы всех матриц:\n', our_tensor[:, :, 1])

Только первые столбцы всех матриц:
 tensor([[8, 5, 1],
        [7, 9, 8]])

# Ну и последнее: выведем нулевые элементы всех вторых строк:
print('\nНулевые элементы всех вторых строк:\n', our_tensor[:, 2, 0]

Нулевые элементы всех вторых строк:
 tensor([2, 6])

# Найдем сумму всех элементов тензора
 
all_sum = our_tensor.sum()
 
# кстати, выводить данные можно без функции print(), 
# но это работает, только если вы выводите данные одной переменной
# вот так:
all_sum

tensor(124)

# Теперь найдем поэлементную сумму двух матриц нашего тензора
# Для этого укажем параметр axis=0
sum_0 = our_tensor.sum(axis=0)
sum_0

tensor([[11, 15,  7, 18],
        [ 5, 14, 11, 14],
        [ 8,  9,  2, 10]])

# Теперь найдем сумму всех столбцов для каждой матрицы
# Для этого укажем параметр axis=2
sum_2 =  our_tensor.sum(axis=2)
sum_2

tensor([[28, 17, 13],
        [23, 27, 16]])

# Найдем среднее всех элементов тензора
# mean() работает только с float() тензорами, поэтому преобразуем наш функцией float()
all_mean = our_tensor.float().mean()
all_mean

tensor(5.1667)

# Теперь найдем среднее всех строк для каждой матрицы
# Для этого укажем параметр axis=2
mean_2 = our_tensor.float().mean(axis=2)
mean_2

tensor([[7.0000, 4.2500, 3.2500],
        [5.7500, 6.7500, 4.0000]])

from torch import nn

# Создадим экземпляры классов
 
# Среднеквадратичная ошибка
loss_mse_func = nn.MSELoss()
 
# Абсолютная ошибка
loss_mae_func = nn.L1Loss()

# Создадим тензоры и сразу зададим им тип float()
t_one = torch.randint(high=7, size=(7,), dtype=torch.float32)
t_two = torch.randint(high=7, size=(7,), dtype=torch.float32)
print(t_one, t_two)

tensor([4., 1., 0., 0., 2., 4., 4.]) tensor([0., 2., 2., 6., 2., 3., 1.])

# Посчитаем ошибки
 
loss_mse = loss_mse_func(t_one, t_two)
loss_mae = loss_mae_func(t_one, t_two)
 
print('Mean square error: ', loss_mse, '\nMean absolute error: ', loss_mae)

Mean square error:  tensor(9.5714) 
Mean absolute error:  tensor(2.4286)