每天进步一点点 -- pytorch学习:张量的介绍与创建
推荐查看的文档：机器视觉全栈|机器视觉教程|docsify|pytorch官方教程中文版|opencv-python官方教程中文版|open3D(0.15.1)官方教程中文版
Tensors个人理解为在GPU上工作的数组和矩阵，既然是数组和矩阵，那么里面也保存一些类型的内容，Tensor类型都包含如下，在不同的设备上运行，类型也不一样：
初始化tensor与理解张量
（1）张量的初始化和类型
data = [[1, 2], [2, 3]]
x_data = torch.tensor(data)
#Python自带的type方法只能查看到时Tensor，无法查看到具体的tensor类型
print(type(data)) #
print(type(x_data)) #
# 仅Tensor对象有的type方法
print(x_data.type()) # torch.LongTensor，自动推断成LongTensor
#print(data.type()) # 会报错，非tensor对象，无法使用
# Tensor自带的isInstance方法即可以判断tensor，也可以判断非tensor对象
print(isinstance(x_data,torch.LongTensor)) #True
print(isinstance(data,torch.LongTensor)) #false
# 张量（向量），神经网络的b（bias）
# 直接创建
print(torch.tensor([1.1, 2.2])) # tensor([1.1000, 2.2000])
print(torch.FloatTensor(2)) # tensor([3.5873e-43, 2.0000e+00]) 2代表向量长度为2,值为随机
data = np.ones(2) # 从numpy创建tensor
print(data) # [1. 1.]
data_tensor = torch.from_numpy(data)
print(data_tensor) # tensor([1., 1.], dtype=torch.float64) （2）获取矩阵的size/dim/shape
下面这个博客很好的介绍了dim，通过下面的案例，看一下size/dim/shape的区别pytorch中dim的含义及相关做法_取个名字真难呐的博客-CSDN博客_pytorch的dim
【快速理解张量】通过torch.rand和举例通俗解释张量tensor_Neo很努力的博客-CSDN博客_torch.rand
x = torch.rand(2, 3, 4, 5)
print(x)
[ # 0 维 1个元素
[ # 1 维 2个元素
[ # 3维 4个元素
[0.7900, 0.3519, 0.2816, 0.3071, 0.7786], # 4维 5个元素
[0.7649, 0.4460, 0.7359, 0.6503, 0.0960],
[0.9055, 0.2015, 0.9697, 0.7157, 0.4706],
[0.3957, 0.3493, 0.0409, 0.1304, 0.0248]
],
[
[0.3118, 0.0097, 0.4654, 0.0384, 0.5897],
[0.3590, 0.9403, 0.9745, 0.6553, 0.3921],
[0.8680, 0.9558, 0.2972, 0.4599, 0.6051],
[0.8654, 0.5385, 0.0939, 0.6930, 0.4148]
],
[
[0.4586, 0.4279, 0.1924, 0.4297, 0.9618],
[0.4627, 0.2492, 0.2574, 0.3442, 0.7872],
[0.5375, 0.1170, 0.0672, 0.4515, 0.9849],
[0.8033, 0.5539, 0.1909, 0.9696, 0.6049]
]
],
[
[
[0.2846, 0.4734, 0.5478, 0.5626, 0.4522],
[0.4783, 0.4525, 0.3988, 0.5499, 0.5277],
[0.8804, 0.3285, 0.0620, 0.9264, 0.6451],
[0.7034, 0.8597, 0.4179, 0.9200, 0.1851]
],
[
[0.5449, 0.5049, 0.8411, 0.7550, 0.3722],
[0.0635, 0.7115, 0.0919, 0.0649, 0.9048],
[0.7832, 0.5186, 0.5093, 0.0201, 0.6582],
[0.2729, 0.4594, 0.7123, 0.5449, 0.7297]
],
[
[0.9535, 0.8421, 0.6229, 0.1735, 0.6973],
[0.5910, 0.1106, 0.5080, 0.2239, 0.1200],
[0.4912, 0.8273, 0.6190, 0.2189, 0.1312],
[0.7433, 0.3109, 0.0515, 0.8466, 0.5950]
]
]
]x = torch.rand(2, 3, 4, 5)
print(x)
print(x.shape) # torch.Size([2, 3, 4, 5])
print(x.shape[0]) # 2
print(x.shape[1]) # 3
print(x.shape[2]) # 4
print(x.shape[3]) # 5
print(x.size()) # torch.Size([2, 3, 4, 5])
print(x.size(0)) # 2
print(x.size(1)) # 3
print(x.size(2)) # 4
print(x.size(3)) # 5
print(x.dim()) # 4维（3）元素总数
print(x.numel()) #120 = 2*3*4*5 返回张量元素总数，元素类型不一样，占用的内存也不一样创建Tensor，直接参考下面的文档吧，这块已经不用单独写了
机器视觉全栈|机器视觉教程|docsify|pytorch官方教程中文版|opencv-python官方教程中文版|open3D(0.15.1)官方教程中文版
注：使用未初始化的tensor时，随机出来的值会特别大或者特别小，因此后序操作务必将未初始化的Tensor初始化
默认使用tensor类型是floatTensor，使用torch.set_default_tensor_type(torch.DoubleTensor)修改默认类型
建议使用rand随机初始化，最大值最小值是在[0-1]之间的
print(torch.Tensor(2, 3))
tensor([[1.1561e+19, 6.8794e+11, 2.7253e+20],
[3.0866e+29, 1.1547e+19, 4.1988e+07]])
print(torch.FloatTensor(2, 3))
tensor([[1.1561e+19, 6.8794e+11, 2.7253e+20],
[3.0866e+29, 1.1547e+19, 4.1988e+07]])
print(torch.IntTensor(2, 3))
tensor([[1595961953, 1394617393, 1634492771],
[1886999666, 1595948901, 1277176882]], dtype=torch.int32)torch.set_default_tensor_type(torch.DoubleTensor)
print(torch.tensor([2, 3]).type()) # torch.LongTensor,常用Doubledata = [[1, 2], [2, 3]]
print(torch.rand(3, 3))
tensor([[0.3682, 0.3060, 0.5121],
[0.4005, 0.3738, 0.8740],
[0.3723, 0.0709, 0.7200]])
print(torch.rand_like(torch.tensor(data), dtype=torch.float))
tensor([[0.1732, 0.5935],
[0.5803, 0.4345]])
print(torch.randint(1, 10, [3, 3])) # 1是最小值，10是最大值，后面的是shape可以多个
tensor([[7, 8, 2],
[5, 4, 8],
[4, 5, 7]])常用初始化
print(torch.randn(3, 3)) # 正太分布的3行3列矩阵
print(torch.arange(1, 10, 2)) # 1-10，step是2
print(torch.full([3, 3], 7)) # 3行3列，填充7
print(torch.linspace(0, 4, steps=4)) # 0-10 共4个点等分
print(torch.logspace(0, 1, steps=10)) # 10的0次方-10的一次方1 等分成10个
print(torch.ones(3, 3))
print(torch.zeros(3, 3))
print(torch.eye(3, 3))
print(torch.randperm(10)) # 0-9 共10个数，随机打散