深度学习07：PyTorch 中常见的 Tensor 创建方式与示例

在深度学习和数值计算中，Tensor 是基础数据结构，类似于多维数组。作为一个高效的深度学习框架，PyTorch 提供了多种方便的方式来创建和操作 Tensor。本篇博客将详细介绍 PyTorch 中几种常见的 Tensor 创建方法，并附带代码示例和解释，帮助大家轻松掌握这些操作。

目录：

1. 创建全0 Tensor (torch.zeros)
2. 创建全1 Tensor (torch.ones)
3. 创建单位矩阵 (torch.eye)
4. 基础 Tensor (torch.Tensor)
5. 创建指定类型的 Tensor (torch.IntTensor)
6. 创建随机数 Tensor (torch.randn)
7. 创建范围 Tensor (torch.arange)

1. 创建全0 Tensor：torch.zeros

import torch

# 创建一个形状为 (3, 3) 的全0 Tensor
zero_tensor = torch.zeros(3, 3)
print("全0 Tensor:")
print(zero_tensor)

解释：

• torch.zeros(3, 3) 会创建一个 3x3 的 Tensor，其中所有元素都为 0。
• 典型用途：适用于初始化模型中的权重矩阵，或作为占位符。

tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])

2. 创建全1 Tensor：torch.ones 

# 创建一个形状为 (3, 3) 的全1 Tensor
ones_tensor = torch.ones(3, 3)
print("\n全1 Tensor:")
print(ones_tensor)

解释：

• torch.ones(3, 3) 会创建一个 3x3 的 Tensor，其中所有元素都为 1。
• 典型用途：常用于初始化偏置或者默认值为1的占位符。

tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])

3. 创建单位矩阵：torch.eye 

# 创建一个 3x3 的单位矩阵
eye_tensor = torch.eye(3, 3)
print("\n单位矩阵 Tensor:")
print(eye_tensor)

解释：

• torch.eye(3, 3) 会创建一个 3x3 的单位矩阵，对角线元素为 1，其他元素为 0。
• 典型用途：常用于线性代数中的矩阵运算，也可用于初始化某些权重矩阵。

tensor([[1., 0., 0.],
        [0., 1., 0.],
        [0., 0., 1.]])

4. 基础 Tensor：torch.Tensor

# 通过列表创建一个 1维 Tensor
list_tensor = torch.Tensor([1, 3])
print("\n基础 Tensor:")
print(list_tensor)

解释：

• torch.Tensor([1, 3]) 会根据提供的列表 [1, 3] 创建一个一维 Tensor。
• 典型用途：用于将现有数据直接转换为 Tensor，以便在后续模型训练中使用。

tensor([1., 3.])

5. 创建指定类型的 Tensor：torch.IntTensor 

 

# 创建一个 Int 类型的 Tensor
int_tensor = torch.IntTensor([1, 2])
print("\n指定类型 (IntTensor) Tensor:")
print(int_tensor)

解释：

• torch.IntTensor([1, 2]) 创建一个整数类型的 Tensor。
• 典型用途：用于需要明确数据类型为整数的情况，特别是涉及整数计算时。

tensor([1, 2], dtype=torch.int32)

6. 创建随机数 Tensor：torch.randn

# 创建一个形状为 (3, 3) 的随机数 Tensor
random_tensor = torch.randn(3, 3)
print("\n随机数 Tensor:")
print(random_tensor)

解释：

• torch.randn(3, 3) 创建一个 3x3 的 Tensor，其元素来自标准正态分布（均值为0，方差为1）。
• 典型用途：常用于初始化权重矩阵、生成随机噪声，或模拟随机数据。

tensor([[-0.6251,  0.1234,  1.7890],
        [ 0.4321, -1.2345, -0.9876],
        [ 1.2345, -0.4567,  0.5678]])

7. 创建范围 Tensor：torch.arange 

# 创建一个值从 0 到 n-1 的 Tensor
range_tensor = torch.arange(9).reshape(3, 3)
print("\n0到n-1 Tensor:")
print(range_tensor)

解释：

• torch.arange(9) 创建一个从 0 到 8 的一维 Tensor。
• reshape(3, 3) 将其重塑为 3x3 的二维 Tensor。
• 典型用途：用于生成有规律的数字序列，可在模型训练中用于循环控制或作为示例数据。

tensor([[0, 1, 2],
        [3, 4, 5],
        [6, 7, 8]])

总结

通过本篇博客，你已经学会了 PyTorch 中常见的几种 Tensor 创建方式。它们在深度学习模型的构建、数据处理以及矩阵运算中都扮演着至关重要的角色。无论是初始化权重、生成随机数据，还是定义特定类型的 Tensor，都可以用这些方法高效实现。

希望这篇博客能帮助你在实际项目中更好地应用 PyTorch！