2025年PyTorch框架基础操作实操试卷及答案.docxVIP

2025年PyTorch框架基础操作实操试卷及答案

考试时间：______分钟总分：______分姓名：______

```python

#Python代码

#题目1：张量创建与属性

#请将以下代码片段补充完整，创建一个形状为(2,3)的全零张量，并将其存储在变量z中。

#然后打印z的形状(shape)和数据类型(dtype)。

importtorch

#请在此处补充代码

#print(z.shape)

#print(z.dtype)

#题目2：张量索引与切片

#请将以下代码片段补充完整，从张量x中提取出元素[1,3,5]，结果存储在变量sub_tensor中。

#x已经定义如下：

x=torch.tensor([[0,1,2],[3,4,5],[6,7,8]])

#请在此处补充代码

#print(sub_tensor)

#题目3：张量形状变换

#请将以下代码片段补充完整，将张量y变成形状为(6,1)的张量，结果存储在变量y_reshaped中。

#注意保持元素顺序和总数不变。

y=torch.tensor([[1,2],[3,4],[5,6],[7,8],[9,10],[11,12]])

#请在此处补充代码

#print(y_reshaped.shape)

#题目4：张量合并与数学运算

#请将以下代码片段补充完整，完成以下操作：

#1.创建一个形状为(3,4)的随机初始化张量r1，所有元素从0到1的均匀分布。

#2.创建一个形状为(3,4)的全1张量r2。

#3.计算r1和r2的逐元素乘积，结果存储在变量prod中。

#4.计算r1的所有元素求和，结果存储在变量sum_r1中。

#请在此处补充代码

#print(prod)

#print(sum_r1)

#题目5：数据加载准备

#请将以下代码片段补充完整，使用TensorDataset将张量features和labels包装成一个数据集对象dataset。

#features和labels已经定义如下：

features=torch.tensor([[1.0,2.0],[3.0,4.0],[5.0,6.0]])

labels=torch.tensor([0,1,0])

#请在此处补充代码

#题目6：神经网络前向传播

#请将以下代码片段补充完整，完成一个简单神经网络的前向传播。

#假设我们有一个输入张量input_tensor(形状为batch_size,input_features)。

#我们使用一个线性层lin1(输出特征为5)和一个ReLU激活函数，然后通过另一个线性层lin2(输出特征为1)得到输出。

#请初始化lin1和lin2的权重和偏置（可以使用简单的全0或全1初始化，或使用nn.Linear），

#完成前向传播，最终输出存储在变量output_tensor中。

input_tensor=torch.tensor([[1.0,2.0],[0.5,-1.5]])

#请在此处补充代码

#print(output_tensor)

#题目7：梯度计算

#请将以下代码片段补充完整，完成梯度计算的示例。

#1.创建一个需要梯度的张量a，初始化为2.0，并设置requires_grad=True。

#2.基于a，计算b=a*a*a。

#3.计算b的关于a的梯度，并将结果保存在grad_a变量中（提示：可以使用grad()函数或a.backward()）。

#请在此处补充代码

#print(grad_a)

#题目8：设备管理

#请将以下代码片段补充完整，完成张量在CPU和GPU之间的移动操作。

#1.创建一个形状为(3,3)的随机初始化张量cpu_tensor。

#2.检查当前是否有可用的GPU设备，如果有，将cpu_tensor移动到GPU上，存储在变量gpu_tensor中。

#如果没有可用的GPU，则保持cpu_tensor在CPU上。

#3.打印cpu_tensor和gpu_tensor的设备信息(device)。

#请在此处补充代码

#print(cpu_tensor.device)

#print(gpu_tensor.deviceifgpu_tensorinlocals()els