pytorch:张量概念与创建的api

1 张量（Tensor）

• 标量：0维张量
• 向量：1维张量
• 矩阵：2维张量
  
• Variable数据类型(torch.autograd中数据类型，用来封装Tensor)：

• data: 被封装的Tnsor
• grad:data的梯度
• grad_fn: Tensor的函数，用来计算导数
• requires_grad: 梯度计算标志位
• is_lead：是否是叶子节点，用于计算图中

Variable已经引入到torch.Tensor并且多了两个参数：

dtype:data的类型
shape：张量形状
device：张量所在设备

2 张量创建

2.1 直接创建

• torch.tensor():

• data: 数据，list numpy都可以
• dtype，device，requires_grad：如上
• pin_memory：是否用于锁页内存，与效率有关

• torch.from_numpy(ndarray):

• 从numpy创建tensor
  注：此方法创建的tensor与原ndarray共享原内存，即一个改动，另一个页改动。

2.2 依据数值创建

• torch.zeros()：

• size：张量形状
• out：输出的张量，和等号赋值一个功能。
• layout：内存中布局形式，strided，sparse_coo，内存效率有关
  device,requires_grad同上

• torch.zeros_like():

按input形状创建张量

• input：一个张量。
• 其他参数如上。

• torch.ones():

与zeros同。
同样有ones_like()

• torch.full():

size：张量形状
fill_value：张量的值
同样有full_like()

• torch.linspace():

创建一个均分的1维张量

• start：数列起始值
• end：数列结束值
• steps：数列长度

• torch.logspace():

创建对数均分的1维张量

• start，end，steps
• base：对数函数的底，10

• torch.eye()

创建单位对角矩阵

• n：设置大小，方阵只设置一个大小

2.3 依概率分布创建张量

• torch.normal()

• mean：均值
• std：标准差
• size：设置张量多大
  mean与std，可以是张量也可以是标量，这样就会出现各种概率分布。

• torch.randn():

生成标准正太分布

• size：形状
  同样有randn_like

• torch.rand()

在区间【0，1）上，生成均匀分布
同有like

• torch.randint_like():

同上，只生成整数的均匀分布

• torch.randperem()

生成从0到n-1的随机排列

• n：张量长度

• torch.bernoulli()

以input为概率，生成伯努利分布

• input：概率值