深度学习与PyTorch笔记5

创建Tensor

import from numpy

从numpy中导入。

import from list

数据量不是很大。
torch.tensor承接的参数量是现成的数据，要么是numpy要么是list。
torch.Tensor，torch.FloatTensor承接的参数是shape，数据的维度，也可以承接现有数据，必须是list。

生成未初始化的数据

1、Torch.empty()里面是shape
2、Torch.FloatTensor(d1,d2,d3)
3、Torch.IntTensor(d1,d2,d3)
问题：数据大小不一，非常不规则，最好不要直接使用。
torch.Tensor在pytorch里默认是torch.FloatTensor，可以设置更改。做增强学习时torch.DoubleTensor用的较多，精度高，转换：torch.set_default_tensor_type(torch.DoubleTensor)

生成随机初始化的数据

rand：随机的使用0-1的均值分布，torch.rand()参数为shape，比如torch.rand(3,3)。
rand_like：torch.rand_like()参数为tensor，比如a=torch.rand(3,3),torch.rand_like(a)。
randint：自定义区间，最大值不包含在区间内，[min,max)，比如torch.randint(1,10,[3,3])，生成一个[1,10)之间的3*3的矩阵。
randn：正态分布，均值为0，方差为1。自定义均值和方差时：torch.normal(mean=torch.full([10],0),std=torch.arange(1,0,-0.1)) 先生成一个长度为10但是都为0的向量，方差从1到0慢慢的减小（1，0.9，0.8，…，0）。
full函数：torch.full([2,3],7)生成一个两行三列元素全为7的矩阵。torch.full([],7)，生成一个标量，torch.full([1],7)，生成一个向量。
arange/range：递增递减生成等差数列，默认差为1，torch.arange(0,10)，不包含10。torch.arange(0,10,2)，差为2。torch里面不建议使用range。
linspace：torch.linspace(0,10,steps=4)，steps为数量，从0到10，包含10，等分切割。
logspace：torch.logspace(0,-1,steps=10)，steps为数量，从0到-1，包含-1，等分切割之后的参数作为幂次，返回10的幂次。
ones：生成全为1。
zeros：生成全为0。
eye：生成对角为1。torch.eye(3)，torch.eye(3,4)，eye只能接受一个或者两个参数。

用like替换。
randperm：随机打散，不包括最大值，生成索引，然后shuffle。


自行体会一下。