Pytorch学习笔记 2.4：创建Tensor
一、直接创建
1.1 通过torch.tensor创建张量
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
举例：
arr = np.ones((3,3))
print('ndarry的数据类型：',arr.dtype)
print(arr)
# t = torch.tensor(arr,device='cuda')
t = torch.tensor(arr)
print(t)
结果：
ndarry的数据类型： float64
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
1.2 通过对torch.from_numpy创建张量
torch.from_numpy(ndarray)
从numpy创建tensor
注意：从torch.from_numpy创建的tensor与原ndarray共享内存，当修改其中一个的数据，另外一个也会被改动
举例：
arr = np.array([[1,2,3,],
[4,5,6]])
t = torch.from_numpy(arr)
print('numpy array:',arr)
print('tensor:',t)
#arr和tensor共享数据内存
print('\n修改arr')
arr[0,0] = 0
print('numpy array:',arr)#[[0 2 3],[4 5 6]]
print('tensor :',t)#tensor([[0, 2, 3],
#[4, 5, 6]], dtype=torch.int32)
print('\n修改tensor')
t[0,0] = -1
print('numpy array: ',arr)#[[-1 2 3],[4 5 6]]
print('tensor :',t)
结果：
numpy array: [[1 2 3]
[4 5 6]]
tensor: tensor([[1, 2, 3],
[4, 5, 6]], dtype=torch.int32)
修改arr
numpy array: [[0 2 3]
[4 5 6]]
tensor : tensor([[0, 2, 3],
[4, 5, 6]], dtype=torch.int32)
修改tensor
numpy array: [[-1 2 3]
[ 4 5 6]]
tensor : tensor([[-1, 2, 3],
[ 4, 5, 6]], dtype=torch.int32)
二、依据数值创建
2.1 通过torch.zeros()创建张量
torch.zeros(*size,
out=None,
dtype=None,
layout=torch.strided,
device=None,
requires_grad=False)
size：张量的形状，如（3,3）、（3,224,224）
out ：输出的张量 (不好理解)
layout：内存中布局形式
device：所在设备，gpu/cpu
requires_grad：是否需要梯度
举例：
import numpy as np
import torch
out_t = torch.tensor([1])
print(out_t)
t = torch.zeros((3,3),out=out_t)
print(t,'\n',out_t)
print(id(t),id(out_t),id(t) == id(out_t))
结果：
tensor([1])
tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
2458797688456 2458797688456 True
2.2 torch.zeros_like()创建张量
功能：依input形状创建全0张量
torch.zeros_like(input,
dtype=None,
layout=None,
device=None,
requires_grad=False)
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
2.3 torch.ones()
2.4 torch.ones_like()
用法同上
2.5 torch.full()
2.6 torch.full_like()
torch.full(size,
fill_value,
out=None,
dtype=None,
layout=torch.strided,
device=None,
requires_grad=False)
size：张量的形状，如（3,3）
fill_value：张量的值
举例：
t = torch.full((3,3),10)
print(t)
结果：
tensor([[10., 10., 10.],
[10., 10., 10.],
[10., 10., 10.]])
2.7 torch.arange()
功能：创建等差的1维张量
注意：数值区间为[start,end)
torch.arange(start = 0,
end,
step=1,
out=None,
dtype=None,
layout=torch.strided,
device=None,
requires_grad=False)
start：数列起始值
end：数列结束值
step：数列公差，默认是1
举例：
t = torch.arange(2,10,2)# tensor([2, 4, 6, 8])
print(t)
结果：
tensor([2, 4, 6, 8])
2.8 torch.linspace()
功能：创建均分的1维张量
注意：数值区间为[start,end]
torch.arange(start,
end,
steps=100,
out=None,
dtype=None,
layout=torch.strided,
device=None,
requires_grad=False)
start：数列起始值
end：数列结束值
steps：数列长度
举例：
t = torch.linspace(2,10,5)
print(t)
结果：
tensor([ 2., 4., 6., 8., 10.])
2.9 torch.logspace()
功能：创建对数均分的1维张量
注意：长度为steps，底为base
torch.logspace(start,
end,
steps=100,
base=10.0,
out=None,
dtype=None,
layout=torch.strided,
device=None,
requires_grad=False)
start：数列起始值
end：数列结束值
steps：数列长度
base：对数函数的底，默认是10
2.10 torch.eye()
功能：创建单位对角矩阵（2维张量）
注意：默认为方阵
torch.eye(n,
m=None,
out=None,
dtype=None,
layout=torch.strided,
device=None,
requires_grad=False)
n：矩阵行数
m：矩阵列数
三、依概率分布创建张量
3.1 torch.normal()
功能：创建正态分布（高斯分布）
torch.normal(mean,
std,
out=None)
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
mean:标量 std：标量
t_normal = torch.normal(0., 1.,size=(4,))
print(t_normal)
结果：
tensor([-0.2874, -0.7555, 0.6219, -0.7967])
mean:张量 std：标量
mean = torch.arange(1,5,dtype=torch.float)
std = 1
t_normal = torch.normal(mean,std)#mean和std一一对应
print('mean:{}\nstd:{}'.format(mean,std))
print(t_normal)
结果：
mean:tensor([1., 2., 3., 4.])
std:1
tensor([2.6530, 1.0718, 2.8693, 3.9960])
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)#mean和std一一对应
print('mean:{}\nstd:{}'.format(mean,std))
print(t_normal)
结果：
mean:tensor([1., 2., 3., 4.])
std:tensor([1., 2., 3., 4.])
tensor([ 3.3175, 6.3296, 4.3810, -2.4837])
3.2 torch.randn()
3.3 torch.randn_like()
功能：生成标准正态分布
torch.randn(*size,
out=None,
dtype=None,
layout=torch.strided,
device=None,
requires_grad=False)
size：张量的形状
结果：
3.4 torch.rand()
3.4 torch.rand_like()
torch.rand(*size,
out=None,
dtype=None,
layout=torch.strided,
device=None,
requires_grad=False)
功能：在区间[0,1)上，生成均匀分布
torch.randn和torch.rand有什么区别
3.6 torch.randint()
3.7 torch.randint_like()
torch.randint(low=0,
high,
size,
out = None,
dtype=None,
layout=torch.strided,
device=None,
requires_grad=False)
功能：在区间[low,hight)生成整数均匀分布
size：张量的形状
3.8 torch.randperm()
torch.randperm(n,
out = None,
dtype=torch.int64,
layout=torch.strided,
device=None,
requires_grad=False)
功能：生成从0到n-1的随机排列，一般用来生成索引，乱序
n：张量的长度
3.9 torch.bernoulli()
torch.bernoulli(input,
*,
generator=None,
out = None)
功能：以input为概率，生成伯努利分布（0-1分布，两点分布）
input：概率值