tensor torch 构造_3 Tensor出生-庖丁解牛之pytorch

Tensor是深度学习的基本类型，我们常用的说法有，标量、向量、矩阵如下：

我们常用的表示

标量(Scalar)是只有大小，没有方向的量，如1，2，3等

向量(Vector)是有大小和方向的量，其实就是一串数字，如(1,2)

矩阵(Matrix)是好几个向量拍成一排合并而成的一堆数字，如[1,2;3,4]

其实标量，向量，矩阵它们三个也是张量，标量是零维的张量，向量是一维的张量，矩阵是二维的张量。张量可以扩展到多维。

tensor的创建方法大致分成四类根据形状创建tensor,使用torch.* (见 Creation Ops).

根据已有形状创建tensor 使用 torch.*_like  (见 Creation Ops).

T创建一个与现有形状不一样的tensor，使用tensor.new_* .

1 torch.tensor构造函数torch.tensor(data, dtype=None, device=None, requires_grad=False)data(数组) – 初始化的tensor数据，可以是list, tuple, NumPy ndarray, scalar, 或者其他类型.

dtype [torch.dtype]–tensor的数据类型.默认值: if None,

device   torch.device类型，目前支持两种cpu和cuda，表示该变量存储位置，

requires_grad  – 是否需要自动求导，默认是False.

1.2 torch支持的数据类型Data typedtypeTensor types32-bit 浮点torch.float32 or torch.floattorch.*.FloatTensor

64-bit 浮点torch.float64 or torch.doubletorch.*.DoubleTensor

16-bit 浮点torch.float16 or torch.halftorch.*.HalfTensor

8-bit 无符号整形torch.uint8torch.*.ByteTensor

8-bit 有符号整形torch.int8torch.*.CharTensor

16-bit 有符号整形torch.int16 or torch.shorttorch.*.ShortTensor

32-bit 有符号整形torch.int32 or torch.inttorch.*.IntTensor

64-bit 有符号整形torch.int64 or torch.longtorch.*.LongTensor

1.3 torch.device的构造方法

字符串torch.device('cpu')

torch.device('cuda')

torch.tensor((2,3),device='cuda')

字符串和数字torch.device('cuda:0')

torch.device('cuda', 0)

torch.device('cpu', 0)

直接使用数字device=torch.device(0)

torch.randn((2,3), device=0)

1.4 例子>>> torch.tensor([[0.1, 1.2], [2.2, 3.1], [4.9, 5.2]])

tensor([[ 0.1000,  1.2000],

[ 2.2000,  3.1000],

[ 4.9000,  5.2000]])>>> torch.tensor([0, 1])  # Type inference on datatensor([ 0,  1])>>> torch.tensor([[0.11111, 0.222222, 0.3333333]],

dtype=torch.float64,

device=torch.device('cuda:0'))  # creates a torch.cuda.DoubleTensortensor([[ 0.1111,  0.2222,  0.3333]], dtype=torch.float64, device='cuda:0')>>> torch.tensor(3.14159)  # Create a scalar (zero-dimensional tensor)tensor(3.1416)>>> torch.tensor([])  # Create an empty tensor (of size (0,))tensor([])

2 根据形状创建tensor

目前有如下操作：

2.1 torch.rand

根据size创建[0,1]的随机数tensor>>> torch.rand(4)tensor([ 0.5204,  0.2503,  0.3525,  0.5673])

>>> torch.rand(2, 3)tensor([[ 0.8237,  0.5781,  0.6879],        [ 0.3816,  0.7249,  0.0998]])import matplotlib.pyplot as pltimport matplotlibimport torch

%matplotlib inlineN = 4000a = torch.rand(N)

b = range(N)

plt.figure(figsize=(10,8))

plt.scatter(b,a.numpy(), color='g')

plt.show()

torch.rand[0,1]

2.2 torch.randn

根据size创建标准正太分布的随机数tensor，均值0，方差1import matplotlib.pyplot as pltimport matplotlibimport torch

%matplotlib inlineN = 4000a = torch.randn(N)

b = range(N)

plt.figure(figsize=(10,8))

plt.scatter(b,a.numpy(), color='g')

plt.show()

torch.randn 均值0，方差1

2.3 torch.randint

自定义最大值和最小值，根据形状创建随机数torch.randint(low=0, high, size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

size需要一个元组，此处需要注意

例如获取[-150,100]之间的4000个随机数import matplotlib.pyplot as pltimport matplotlibimport torch

%matplotlib inlineN = 4000a = torch.randint(-150, 100, (N,))

b = range(N)

plt.figure(figsize=(10,8))

plt.scatter(b,a.numpy(), color='r')

plt.show()

torch.randint[-150, 100]

2.4 torch.randperm

随机获取0,1,...,n-1的组合>>> torch.randperm(4)

tensor([ 2,  1,  0,  3])

3 根据已有数据形状创建tensortorch.rand_like()

输入数据求尺寸input.size()，调用torch.rand_like

torch.randn_like()

输入数据求尺寸input.size()，调用torch.randn

torch.randint_like()

输入数据求尺寸input.size()，调用torch.randint

作者：readilen

链接：https://www.jianshu.com/p/8c4119663738