深度学习 PyTorch_Week1【任务1】PyTorch基础数据结构——张量
PyTorch基础数据结构——张量
一、Tensor概念
What is Tensor?
如上图，张量是一个多维数组，它是标量、向量、矩阵的高维拓展。
Tensor与Variable
张量在数学概念中是多维数组，在pytorch中，张量不仅仅表示多维数组，也是自动求导的关键。
（声明：Variable是pytorch0.4.0版本之前的一个重要数据类型，但是从pytorch0.4.0版本开始，Variable并入到Tensor。理解Variable对张量理解有帮助~）
Variable是torch. autograd中的数据类型主要用于封装Tensor，进行自动求导。
Variable主要有五个属性：
- 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(张量）
由于Variable并入Tensor，Tensor除了有Variable这五个属性外，还有另外三个属性：
- dtype：张量的数据类型(pytorch提供九种数据类型)，如torch.FloatTensor(CPU)，torch.cuda.FloatTensor(GPU)等
- shape：张量的形状，如(64,3,224,224)
- device：张量所在设备，GPU/CPU，是加速的关键
二、Tensor创建一：直接创建
1.1 torch.tensor()
功能：从data创建tensor
格式：torch.tensor(data,dtype=None,device=None,requires_ grad=False,pin_memory=False)
- data：数据，可以是list, numpy
- dtype：数据类型，默认与data的一致
- device ：所在设备，cuda/cpu
- requires_ grad： 是否需要梯度
- pin. memory：是否存于锁页内存
代码实现：
arr = np.ones((3, 3))
print("ndarray的数据类型：", arr.dtype)
# t = torch.tensor(arr, device='cuda')
t = torch.tensor(arr)
print(t)
1.2 torch.from_numpy(ndarry)
功能：从numpy创建tensor
（注意事项：从torch.from_ numpy创建的tensor于原ndarray共享内存，当修改其中一个的数据，另外一个也将会被改动）
验证代码：
arr = np.array([[1, 2, 3], [4, 5, 6]])
t = torch.from_numpy(arr)
# print("numpy array: ", arr)
# print(id(arr))
# print("tensor : ", t)
# print(id(t))
print("\n修改arr")
arr[0, 0] = 0
print("numpy array: ", arr)
print("tensor : ", t)
# print("\n修改tensor")
# t[0, 0] = -1
# print("numpy array: ", arr)
# print("tensor : ", t)
三、Tensor创建二：依据数值创建张量
2.1 torch.zeros()
功能：依size创建全0张量
格式：torch.zeros(*size,out=None,dtype=None,layout=torch.strided,device=None,equires_ grad=False)
- size：张量的形状，如(3, 3)、(3, 224,224)
- out：输出的张量
- layout：内存中布局形式，有strided ,sparse_coo等
- device：所在设备，gpu/cpu
- requires_ grad：是否需要梯度
代码实现：
out_t = torch.tensor([1]) # 接收全0张量
t = torch.zeros((3, 3), out=out_t) # out是将torch.zeros((3, 3)的输出值给out_t
print(t, '\n', out_t)
print(id(t), id(out_t), id(t) == id(out_t))
2.2 torch.zeros_like()
功能：依input形状创建全0张量
格式：torch. zeros_ like(input,dtype=None,layout=None,device=None,requires_ grad=False)
- intput：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
2.3 torch. ones()
格式：
torch. ones(*size,out =None,dtype =None，layout=torch. strided,device=None,requires_ grad=False）
2.4 torch.ones_like()
功能:依input形状创建全1张量
格式：torch. ones_ like( input ,dtype=None , layout=None,device=None,requires_ grad=False)
- size：张量的形状，如(3，3)、(3, 224,224)
- dtype：数据类型
- layout：内存中布局形式
- device：所在设备，gpu/cpu
- requires_ grad：是否需要梯度
2.5 torch.full()
自定义张量数值
代码实现：
t = torch.full((3, 3), 10) # 创建3*3张量，每个元素都为10
print(t)
2.6 torch.full_like()
功能：自定义张量数值
- size：张量的形状，如(3, 3)
- fill_ value：张量的值
2.7 torch.arange()
功能：创建等差的1维张量
注意事项：数值区间为[start, end)
- start：数列起始值
- end：数列”结束值”
- step：数列公差，默认为1
代码实现：
t = torch.arange(2, 10, 2)
print(t)
结果为：tensor([2,4,6,8]) 没有10
2.8 torch.linspace()
功能：创建均分的1维张量
注意事项：数值区间为[start, end].
- start：数列起始值
- end：数列结束值
- steps：数列长度
代码实现：
t = torch.linspace(2, 10, 5) # 起始2 结束10 长度5
# t = torch.linspace(2, 10, 6)
print(t)
结果为：tensor([2.,4.,6.,8.,10.])
其步长为：(end-start)/(steps-1) 本例(10-2)/(5-1)=2
2.9 torch.logspace()
功能：创建对数均分的1维张量
注意事项：长度为steps，底为base
- start：数列起始值
- end：数列结束值
- steps：数列长度
- base：对数函数的底，默认为10
2.10 torch. eye()
功能：创建单位对角矩阵( 2维张量)
注意事项：默认为方阵
- n：矩阵行数
- m：矩阵列数
一般为方阵，故m值一般不设置
四、Tensor创建三：依据概率分布创建张量
3.1 torch. normal()
功能：生成正态分布(高斯分布)
- mean：均值
- std：标准差
四种模式：
mean为标量，std为标量
mean为标量，std为张量
mean为张量，std为标量
mean为张量，std为张量
当这两个参数都为标量时，张量大小不确定，需增加参数size
代码实现：
# mean：张量 std: 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))
print(t_normal)
# mean：标量 std: 标量
# t_normal = torch.normal(0., 1., size=(4,)) # 均值为0 标准差为1 当两个参数都为标量时张量多大是没法确定的，所以需要设定size
# print(t_normal)
# mean：张量 std: 标量
# mean = torch.arange(1, 5, dtype=torch.float)
# std = 1
# t_normal = torch.normal(mean, std)
# print("mean:{}\nstd:{}".format(mean, std))
# print(t_normal)
# mean：标量 std: 张量
# mean = 1
# std = torch.arange(1, 5, dtype=torch.float)
# t_normal = torch.normal(mean, std)
# print("mean:{}\nstd:{}".format(mean, std))
# print(t_normal)
3.2 torch.randn()
3.3 torch.randn_like()
功能：生成标准正态分布
- size：张量的形状
3.4 torch.rand()
3.5 torch.rand_like()
功能：在区间[0, 1)上，生成均匀分布
3.6 torch .randint()
3.7 torch.randint_like()
功能：区间[low, high)生成整数均匀分布
- size：张量的形状
3.8 torch.randperm()
功能：生成生成从0到n- 1的随机排列（经常用来索引）
- n：张量的长度
3.9 torch.bernoulli()
功能：以input为概率，生成伯努力分布(0-1分布，两点分布)
- input：概率值
