PyTorch: Tensors و Dataset

import torch

# من قائمة Python
t1 = torch.tensor([[1, 2], [3, 4]])
print(t1)
print("shape:", t1.shape)        # torch.Size([2, 2])
print("dtype:", t1.dtype)        # torch.int64

# من NumPy
import numpy as np
arr = np.array([1.0, 2.0, 3.0])
t2 = torch.from_numpy(arr)
print(t2, t2.dtype)              # float32 (يحفظ dtype الأصلي)

# أنماط شائعة
t_zeros = torch.zeros(2, 3)
t_ones = torch.ones(2, 3)
t_rand = torch.rand(2, 3)        # uniform [0, 1)
t_randn = torch.randn(2, 3)      # normal ~ N(0, 1)
t_arange = torch.arange(0, 10, 2)  # tensor([0, 2, 4, 6, 8])

x = torch.arange(12)            # tensor([0, 1, ..., 11])
print("expand:", x.shape)        # torch.Size([12])

x2 = x.view(3, 4)               # تغيير شكل (بشرط أن الذاكرة متّصلة)
print("3x4:\n", x2)
print("shape:", x2.shape)        # torch.Size([3, 4])

x3 = x2.view(2, 6)
print("2x6 shape:", x3.shape)

# reshape يعمل حتى لو الذاكرة غير متّصلة (قد ينسخ)
x4 = x.reshape(4, 3)
print("reshape 4x3 shape:", x4.shape)

x = torch.arange(12).view(3, 4)
print(x)
# tensor([[ 0,  1,  2,  3],
#         [ 4,  5,  6,  7],
#         [ 8,  9, 10, 11]])

print(x[0, :])          # الصف الأوّل: tensor([0, 1, 2, 3])
print(x[:, 1])          # العمود الثاني: tensor([1, 5, 9])
print(x[:2, :2])        # الصفّان الأولان، العمودان الأولان
# tensor([[0, 1],
#         [4, 5]])

import numpy as np
import torch

# تحويل في الاتجاهين
a = np.array([1.0, 2.0, 3.0])
t = torch.from_numpy(a)
print("from numpy:", t)

# ملاحظة: t و a يتشاركان الذاكرة! تغيير أحدهما يُغيّر الآخر
t[0] = 99
print("a after modifying t:", a)

# للنسخ المستقل
t_copy = torch.tensor(a)        # نسخ
t_copy[0] = -1
print("a still:", a)

x = torch.tensor([1.0, 2.0])           # float32 (افتراضي للأعداد العشرية)
print(x.dtype)                            # torch.float32

x_long = torch.tensor([1, 2, 3])        # int64 (للتصنيف)
print(x_long.dtype)                      # torch.int64

# تحويل dtype
x_f64 = x.double()                       # float64
x_int = x.long()                         # int64

a = torch.tensor([[1.0, 2.0], [3.0, 4.0]])
b = torch.tensor([[5.0, 6.0], [7.0, 8.0]])

print("add:", a + b)
print("mul:", a * b)
print("matmul:", a @ b)
print("mean:", a.mean())
print("sum:", a.sum(dim=0))      # جمع على المحور 0 (الأعمدة)

import torch
from torch.utils.data import TensorDataset, DataLoader

# ميزات: 10 عيّنات × 3 أبعاد
X = torch.randn(10, 3)

# التصنيفات: 10 عيّنات (0 أو 1)
y = torch.tensor([0, 1, 0, 1, 1, 0, 1, 0, 1, 0])

ds = TensorDataset(X, y)
print("length:", len(ds))                # 10
print("first item:", ds[0])              # (X[0], y[0])

loader = DataLoader(ds, batch_size=3, shuffle=True)

for batch_x, batch_y in loader:
    print(f"x batch shape: {batch_x.shape}")   # (3, 3)
    print(f"y batch shape: {batch_y.shape}")   # (3,)
    break  # أوّل دفعة فقط

import torch
from torch.utils.data import TensorDataset, DataLoader

torch.manual_seed(42)

X = torch.randn(100, 5)
y = torch.randint(0, 2, (100,))

ds = TensorDataset(X, y)
loader = DataLoader(ds, batch_size=16, shuffle=True)

# محاكاة 3 دفعات
for i, (xb, yb) in enumerate(loader):
    print(f"batch {i+1}: x={xb.shape}, y={yb.shape}")
    if i == 2:
        break

batch 1: x=torch.Size([16, 5]), y=torch.Size([16])
batch 2: x=torch.Size([16, 5]), y=torch.Size([16])
batch 3: x=torch.Size([16, 5]), y=torch.Size([16])

from torch.utils.data import Dataset

class SimpleDataset(Dataset):
    def __init__(self, X, y):
        self.X = X
        self.y = y

    def __len__(self):
        return len(self.X)

    def __getitem__(self, idx):
        return self.X[idx], self.y[idx]

ds = SimpleDataset(X, y)
print("len:", len(ds))
print("first:", ds[0])

# tensor → numpy
t = torch.tensor([1.0, 2.0])
arr = t.numpy()
print(type(arr))                       # <class 'numpy.ndarray'>

# numpy → tensor
t2 = torch.from_numpy(arr)