Lab 3 — 张量操作工具箱

torch.tensor([1, 2, 3])           # 从 list
torch.from_numpy(np_array)        # 从 numpy
torch.zeros(3, 4)                 # 全零
torch.ones(2, 3)                  # 全一
torch.rand(2, 3)                  # 均匀分布随机
torch.arange(0, 10, 2)            # 等差序列

x.unsqueeze(0)     # 在位置 0 插入长度 1 的维度 → (3,) 变 (1, 3)
x.unsqueeze(1)     # 在位置 1 插入 → (3,) 变 (3, 1)
x.squeeze()        # 删除所有长度 1 的维度
x.reshape(2, 3)    # 重排数据到新形状
x.transpose(0, 1)  # 交换维度 0 和 1
torch.cat((a, b), dim=0)  # 沿维度 0 拼接

x[0]              # 第 0 行
x[:, 1:3]         # 所有行的第 1~2 列
x[x > 5]          # 布尔掩码：取大于 5 的元素
x[[0, 2, 4]]      # 花式索引：取指定行
x.item()          # 标量张量 → Python 数值

a * b             # 逐元素乘
a @ b             # 矩阵乘（matmul）
a.mean()          # 均值
a.std()           # 标准差
(a > 5) & (b < 3) # 布尔逻辑组合

练习 1：销售分析

给定 3 个产品 × 3 个月的销售数据 sales_data（shape [3, 3]），计算产品 B 的总销售额，并找出产品 C 月销售额超过 130 的月份。

total_sales_product_b = sales_data[1].sum()
high_sales_mask_product_c = sales_data[2] > 130

练习 2：图像批变换

有一批图像 image_batch（shape [10, 32, 32]，即 10 张 32×32 灰度图）。需要：加通道维度 → 转置成 [10, 32, 32, 1] 格式。

image_batch_with_channel = image_batch.unsqueeze(1)
# shape: [10, 1, 32, 32]
image_batch_transposed = image_batch_with_channel.transpose(1, 3)
# shape: [10, 32, 32, 1]

练习 3：传感器加权平均

温度和湿度两组传感器数据，用权重 [0.6, 0.4] 计算加权平均值。

combined_data = torch.cat(
    (temperature.unsqueeze(0), humidity.unsqueeze(0)), dim=0)
weights = torch.tensor([0.6, 0.4])
weighted_data = combined_data * weights.unsqueeze(1)
weighted_average = torch.sum(weighted_data, dim=0)

练习 4：出租车特征工程

行程数据 trip_data（距离、小时），构造"高峰期长距离行程"特征列。

distances = trip_data[:, 0]
hours = trip_data[:, 1]
is_long_trip = distances > 10.0
is_morning_rush = (hours >= 8.0) & (hours < 10.0)
is_evening_rush = (hours >= 17.0) & (hours < 19.0)
is_rush_hour_long_trip_mask = (is_morning_rush | is_evening_rush) & is_long_trip
new_feature_col = is_rush_hour_long_trip_mask.float().unsqueeze(1)