Pytorch学习----认识张量

一、Tensor概念

标量：是一个常数，为0维张量
向量：是一行或者一列数组成，为1维张量
矩阵：包含行和列两个维度。是2维张量。

torch.Tensor包含的属性：

dtype：张量的数据类型，如torch.FloatTensor
shape：张量的形状，如(64, 3, 224, 224)
device：张量所在的设备，GPU/CPU
data：被包装的Tensor
grad：data的梯度
grad_fn：创建Tensor的Function，是自动求导的关键
requires_grad：指示是否需要梯度
is_leaf：指示是否是叶子结点

二、Tensor创建：直接创建

1. torch.tensor(data, dtype=None, device=None)

功能：从data创建tensor
参数：

data：数据，可以是list，numpy
dtype：数据类型，默认与data一致
device：所在设备，cpu或gpu
requires_grad：是否需要梯度
pin_memory：是否存于锁页内存

import torch import numpy as np  arr = np.ones((3, 3)) print("arr的数据类型：", arr.dtype)  t = torch.tensor(arr) print("t的数据类型：", t.dtype)  arr的数据类型： float64 t的数据类型： torch.float64

2. torch.from_numpy(ndarray)

功能： 从numpy创建tensor
参数：

ndarray：numpy数据

**注意事项：**用此方法创建的tensor与原ndarray共享内存，当修改其中要给的数据，另外要给也将会被改动。

import torch import numpy as np  # 创建ndarray数组 arr = np.array([[1, 2, 3], [4, 5, 6]]) # 转化为tensor t = torch.from_numpy(arr) print("numpy array:", arr) print('tensor', t)  # 修改arr arr[0, 0] = 0 print("numpy array:", arr) print('tensor', t)  numpy array: [[1 2 3]  [4 5 6]] tensor tensor([[1, 2, 3],         [4, 5, 6]], dtype=torch.int32) numpy array: [[0 2 3]  [4 5 6]] tensor tensor([[0, 2, 3],         [4, 5, 6]], dtype=torch.int32)

三、Tensor创建：依据数值创建

1. torch.zeros()

功能： 依据size创建全0张量
参数：

size：张量的形状
out：输出的张量，将生成的张量复制给其他变量
layout：内存中布局形式
device：所在设备
requires_grad：是否需要梯度

>>> out_t = torch.tensor([1]) >>> t = torch.zeros((3, 3), out=out_t) >>> print(t, '\n', out_t) tensor([[0, 0, 0],         [0, 0, 0],         [0, 0, 0]])  tensor([[0, 0, 0],         [0, 0, 0],         [0, 0, 0]]) >>> print(id(t), id(out_t), id(t) == id(out_t)) 2873909788608 2873909788608 True

2. torch.zeros_like()

功能： 依input形状创建全0张量
参数：

input：创建与input同形状的全0张量
dtype：数据类型
layout：内存中布局形式

>>> input = torch.tensor((2, 2)) >>> torch.zeros_like(input) tensor([0, 0])

3. torch.ones()

功能： 创建全为1的张量
参数：

size：张量的形状
out：输出的张量，将生成的张量复制给其他变量
layout：内存中布局形式
device：所在设备
requires_grad：是否需要梯度

4. torch.ones_like()

功能： 依input形状创建全1张量
参数：

input：创建与input同形状的全0张量
dtype：数据类型
layout：内存中布局形式

5. torch.full()

功能： 依据fill_value的值，创建形状为size的张量。
参数：

size：张量的形状
fill_value：张量的值

>>> torch.full((3, 3), 2) tensor([[2., 2., 2.],         [2., 2., 2.],         [2., 2., 2.]])

6. torch.full_like()

功能： 创建值为fill_value，形状与input相同的张量
参数：

input：张量的形状
fill_value：张量的值

>>> input = torch.zeros((3, 3)) >>> torch.full_like(input, 7) tensor([[7., 7., 7.],         [7., 7., 7.],         [7., 7., 7.]])

7. torch.arange()

功能： 创建等差的1维张量
参数：

start：数列起始值
end：数列结束值
step：数列公差，默认为1

注意事项： 数列区间为[start, end)

>>> t = torch.arange(2, 10, 2) >>> print(t) tensor([2, 4, 6, 8])

8. torch.linspace()

功能： 创建均分的1维张量
参数：

start：数列起始值
end：数列结束值
step：数列长度

注意事项： 数值区间为[start, end]

>>> torch.linspace(1, 10, 10) tensor([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])

9. torch.logspace()

功能： 创建对数均分的1维张量
参数：

start：数列起始值
end：数列结束值
step：数列长度
base：对数函数的底，默认为10

注意事项： 长度为steps，底为base

>>> torch.logspace(1, 10, 5) tensor([1.0000e+01, 1.7783e+03, 3.1623e+05, 5.6234e+07, 1.0000e+10])

10. torch.eye()

功能： 创建单位对角矩阵(2维张量)
参数：

n：矩阵行数
m：矩阵列数

注意事项： 默认为方阵

>>> torch.eye(4, 4) tensor([[1., 0., 0., 0.],         [0., 1., 0., 0.],         [0., 0., 1., 0.],         [0., 0., 0., 1.]])

四、Tensor创建：依据概率创建

1. torch.normal()

功能： 生成正态分布（高斯分布）
参数：

mean：均值
std：标准差

# mean为张量，std为张量 >>> mean = torch.arange(1, 5, dtype=torch.float) >>> std = torch.arange(1, 5, dtype=torch.float) >>> t_normal = torch.normal(mean, std) >>> print("mean:{}\nstd:{}".format(mean, std)) mean:tensor([1., 2., 3., 4.]) std:tensor([1., 2., 3., 4.]) >>> print(t_normal) tensor([ 0.6897, -0.1125,  1.2535, -1.3677])

2. torch.randn()

功能： 生成标准正态分布
参数：

size：张量的形状

>>> torch.randn((3, 3)) tensor([[ 1.8161,  0.3164, -0.8697],         [-0.6198, -0.4942,  0.7151],         [-2.1771,  1.7853, -0.0611]])

3. torch.rand()

功能： 在区间[0,1)上，生成均匀分布
参数：

size：张量的形状

>>> torch.rand((2, 2)) tensor([[0.6209, 0.6984],         [0.7671, 0.7405]])

4. torch.randint()

功能： 在区间[low,high)上，生成整数均匀分布
参数：

size：张量的形状

>>> torch.randint(1, 10, size=(3, 3)) tensor([[7, 5, 7],         [4, 1, 1],         [9, 1, 3]])

5. torch.randperm()

功能：
参数：

n：张量的长度

>>> torch.randperm(10) tensor([3, 8, 9, 1, 7, 2, 4, 0, 5, 6])

6. torch.bernoulli(input)

功能： 以input为概率，生成伯努利分布
参数：

input：概率值

>>> torch.bernoulli(torch.tensor([0.3])) tensor([0.]) >>> torch.bernoulli(torch.tensor([0.6])) tensor([1.])

来源：51CTO

作者：勤奋的小学生

链接：https://blog.csdn.net/gyt15663668337/article/details/102774929

标签

张量

tensor