pytorch list转tensor_PyTorch入门视频笔记从数组、列表对象中创建Tensor
关注"AI机器学习与深度学习算法"公众号 选择" 星标 "公众号，原创干货，第一时间送达
从数组、列表对象创建
Numpy Array 数组和 Python List 列表是 Python 程序中间非常重要的数据载体容器，很多数据都是通过 Python 语言将数据加载至 Array 数组或者 List 列表容器，再转换到 Tensor 类型。(为了方便描述，后面将 Numpy Array 数组称为数组，将 Python List 列表称为列表。)
PyTorch 从数组或者列表对象中创建 Tensor 有四种方式：
- torch.Tensor
- torch.tensor
- torch.as_tensor
- torch.from_numpy
>>> import torch
>>> import numpy as np
>>> array = np.array([1, 2, 3])
>>> list = [4, 5, 6]
# 方式一：使用torch.Tensor类
>>> tensor_array_a = torch.Tensor(array)
>>> tensor_list_a = torch.Tensor(list)
>>> print(isinstance(tensor_array_a, torch.Tensor)
, tensor_array_a.type())
True torch.FloatTensor
>>> print(isinstance(tensor_list_a, torch.Tensor)
, tensor_list_a.type())
True torch.FloatTensor
# 方式二：使用torch.tensor函数
>>> tensor_array_b = torch.tensor(array)
>>> tensor_list_b = torch.tensor(list)
>>> print(isinstance(tensor_array_b, torch.Tensor)
, tensor_array_b.type())
True torch.LongTensor
>>> print(isinstance(tensor_list_b, torch.Tensor)
, tensor_list_b.type())
True torch.LongTensor
# 方式三：使用torch.as_tensor函数
>>> tensor_array_c = torch.as_tensor(array)
>>> tensor_list_c = torch.as_tensor(list)
>>> print(isinstance(tensor_array_c, torch.Tensor)
, tensor_array_c.type())
True torch.LongTensor
>>> print(isinstance(tensor_list_c, torch.Tensor)
, tensor_list_c.type())
True torch.LongTensor
# 方式四：使用torch.from_numpy函数
>>> tensor_array_d = torch.from_numpy(array)
# tensor_list_d = torch.from_numpy(list) error code
>>> print(isinstance(tensor_array_d, torch.Tensor)
, tensor_array_d.type())
True torch.LongTensor
# print(isinstance(tensor_list_d, torch.Tensor)
# , tensor_list_d.type())
通过上面代码的执行结果可以简单归纳出四种创建 Tensor 方式的差异：
- 只有 torch.Tensor 是类，其余的三种方式都是函数；
- torch.Tensor、torch.tensor 和 torch.as_tensor 三种方式可以将数组和列表转换为 Tensor，但是 torch.from_numpy 只能将数组转换为 Tensor(为 torch.from_numpy 函数传入列表，程序会报错)；
- 从程序的输出结果可以看出，四种方式最终都将数组或列表转换为 Tensor(使用 isinstance 返回的结果都为 True)，「但是转换后的 Tensor 数据类型却有所不同，在上一小节区分 torch.Tensor 和 torch.tensor 的时候提到过，当接收数据内容时，torch.Tensor 创建的 Tensor 会使用默认的全局数据类型，而 torch.tensor 创建的 Tensor 会使用根据传入数据推断出的数据类型。」 可以通过
torch.get_default_dtype()来获取当前的全局数据类型，也可以通过torch.set_default_dtype(torch.XXXTensor)来设置当前环境默认的全局数据类型；
>>> import torch
>>> import numpy as np
>>> array = np.array([1, 2, 3])
>>> print(array)
int64
# 获取当前全局环境的数据类型
>>> print(torch.get_default_dtype())
torch.float32
# 方式一：使用torch.Tensor类
>>> tensor_array_a = torch.Tensor(array)
>>> print(tensor_array_a.type())
torch.FloatTensor
# 方式二：使用torch.tensor函数
>>> tensor_array_b = torch.tensor(array)
>>> print(tensor_array_b.type())
torch.LongTensor
# 设置当前全局环境的数据类型为torch.DoubleTensor
>>> torch.set_default_tensor_type(torch.DoubleTensor)
>>> tensor_array_a = torch.Tensor(array)
>>> print(tensor_array_a.type())
torch.DoubleTensor
>>> tensor_array_b = torch.tensor(array)
>>> print(tensor_array_b.type())
torch.LongTensor
「PyTorch 默认的全局数据类型为 torch.float32，因此使用 torch.Tensor 类创建 Tensor 的数据类型和默认的全局数据类型一致，为 torch.FloatTensor，而使用 torch.tensor 函数创建的 Tensor 会根据传入的数组和列表中元素的数据类型进行推断，此时 np.array([1, 2, 3]) 数组的数据类型为 int64，因此使用 torch.tensor 函数创建的 Tensor 的数据类型为 torch.LongTensor。」 使用 torch.set_default_tensor_type(torch.DoubleTensor) 更改了默认的全局数据类型之后，使用 torch.Tensor 生成的 Tensor 数据类型会变成更改后的数据类型，而使用 torch.tensor 函数生成的 Tensor 数据类型依然没有改变，「当然可以在使用 torch.tensor 函数创建 Tensor 的时候指定 dtype 参数来生成指定类型的 Tensor。」
PyTorch 提供了这么多方式从数组和列表中创建 Tensor。一般来说，不推荐使用 torch.Tensor 类，因为不仅可以为 torch.Tensor 传入数据还可以传入形状(torch.tensor 只能传入数据，这样单一的功能可以防止出错)，当为 torch.Tensor 传入形状时会生成指定形状且包含未初始化数据的 Tensor，如果忘记替换掉这些未初始化的值，直接输入到神经网络中，可能会让神经网络输出 NAN 或者 INF。「如果不考虑性能的话，推荐使用 torch.tensor。如果考虑性能，推荐使用 torch.as_tensor(torch.from_numpy 只能接受数组类型)，因为使用 torch.as_tensor 生成的 tensor 会和数组共享内存，从而节省内存的开销。」
Tips：
增添了自己的理解与看法
龙良曲深度学习与PyTorch入门实战：https://study.163.com/course/introduction/1208894818.htm
【PyTorch入门笔记】简单回归案例
【PyTorch入门笔记】简单回归案例实战
【PyTorch入门笔记】手写数字问题
【PyTorch入门笔记】基本数据类型
【机器学习入门笔记】11-9 SVM思想解决回归问题
【机器学习入门笔记】什么是决策树？
