[PyTroch系列-4]：PyTorch基础 - 张量（Tensor）的创建方法

最新推荐文章于 2023-03-02 18:05:30 发布
最新推荐文章于 2023-03-02 18:05:30 发布
阅读量3.9k 收藏 6
点赞数 2
分类专栏： 人工智能-PyTorch 人工智能-深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HiWangWenBing/article/details/119424611
版权

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119424611

目录

第1部分 前置条件

1.1 导入库及检查版本

1.2 Hello World

第2部分 创建普通Tensor实例的代码示例

2.1 通过函数参数的参数（多维数组）指明张量的维度和内容

（1）Tensor（[ ]）

2.2 通过函数参数指明张量的维度，内容不确定

（1）Tensor（x,y....）

2.3 通过函数的参数指明张量的维度，通过函数名指明张量的内容

（1）内容为空（不确定值）的张量: empty()

（2）内容为全0的张量: zeros()

（3）内容为全0的张量: zeros_like()

（4）内容为全1的张量: ones()

（5）内容为全1的张量: ones_like()

（6）填充任意值：full((x,y)，value)

（7）内容为随机数的张量- 均匀分布随机数：rand()

（8）内容为随机数的张量 - 正态分布随机数: normal（）

（9）内容为随机数的张量 - 随机打乱一个数字序列：randperm（）

（10）内容是线性、均匀分布的张量 - 指定范围与步长：range(）

（11）内容是线性、均匀分布的张量 - 指定范围与元素个数：linspace（）

第3部分  PyTorch Tensor与Numpy Array的相互转换的实例

3.1 Numpy Array转成PyTorch Tensor：from_numpy（）

3.2 PyTorch Tensor转成Numpy Array：numpy（）

第1部分 前置条件

1.1 导入库及检查版本

import numpy as np
import torch

1.2 Hello World

print("Hello World")

print(torch.__version__)

print(torch.cuda.is_available())

第2部分 创建普通Tensor实例的代码示例

2.1 通过函数参数的参数（多维数组）指明张量的维度和内容

（1）Tensor（[ ]）

# 通过多维数组构建numpy array
a = np.array([[1,2], [3,4]])  
print(a)
print(a.shape)


输出：
[[1 2]
 [3 4]]
(2, 2)
#直接构建Tensor内容和维度，内容数据是确定的
a = torch.Tensor([[1,2], [3,4]])  
print(a)
print(a.shape)      #tensor的维度

2.2 通过函数参数指明张量的维度，内容不确定

（1）Tensor（x,y....）

# torch.Tensor：
# 所有的参数都是维度参数
a = torch.Tensor(2,3)         #指定Tensor的维度参数，内容数据是不确定的
print(a)
print(a.type())
print(a.shape)    

a = torch.Tensor(2,3,5)         #指定Tensor的维度参数，内容数据是不确定的
print(a)
print(a.type())
print(a.shape)    
tensor([[4.4157e-05, 2.1864e+23, 2.1769e+23],
        [1.0325e-08, 1.0315e-08, 2.1762e-04]])
torch.FloatTensor
torch.Size([2, 3])
tensor([[[0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00],
         [0.0000e+00, 0.0000e+00, 0.0000e+00, 1.4013e-45, 0.0000e+00],
         [8.4078e-45, 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00]],

        [[0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00],
         [1.4013e-45, 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00],
         [0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00]]])
torch.FloatTensor
torch.Size([2, 3, 5])

2.3 通过函数的参数指明张量的维度，通过函数名指明张量的内容

（1）内容为空（不确定值）的张量: empty()

#内容为空（不填充值，值不确定）
a = torch.empty(2, 3)
print(a)
print(a.type())
print(a.shape)   

print("\n")

a = torch.empty(2, 3, 5)
print(a)
print(a.type())
print(a.shape)   
tensor([[1.4013e-45, 8.4078e-45, 1.4013e-45],
        [8.4078e-45, 9.1844e-41, 1.0748e-42]])
torch.FloatTensor
torch.Size([2, 3])


tensor([[[0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00],
         [0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00],
         [0.0000e+00, 0.0000e+00, 1.4013e-45, 0.0000e+00, 0.0000e+00]],

        [[0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00],
         [0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00, 1.4013e-45],
         [0.0000e+00, 9.1845e-41, 1.0748e-42, 1.4013e-45, 1.4013e-45]]])
torch.FloatTensor
torch.Size([2, 3, 5])

（2）内容为全0的张量: zeros()

# 内容为全0, 形状维度来自于参数
a = torch.zeros(2,3)
print(a)
print(a.type())
print(a.shape)  

print("\n")

a = torch.zeros(2,3,5)
print(a)
print(a.type())
print(a.shape) 
#输出：

tensor([[0., 0., 0.],
        [0., 0., 0.]])
torch.FloatTensor
torch.Size([2, 3])


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

        [[0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.]]])
torch.FloatTensor
torch.Size([2, 3, 5])

（3）内容为全0的张量: zeros_like()

# 内容为全0，形状维度来自其他张量
b = torch.ones(2,3)
print(b)

print("\n")

a = torch.zeros_like(b)
print(a)
print(a.type())
tensor([[1., 1., 1.],
        [1., 1., 1.]])


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

（4）内容为全1的张量: ones()

# 内容为全1，维度来自参数
a = torch.ones(2,3)
print(a)
print(a.type())
print(a.shape)  

print("\n")

a = torch.ones(2,3,5)
print(a)
print(a.type())
print(a.shape)  

输出：

tensor([[1., 1., 1.],
        [1., 1., 1.]])
torch.FloatTensor
torch.Size([2, 3])


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

        [[1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.],
         [1., 1., 1., 1., 1.]]])
torch.FloatTensor
torch.Size([2, 3, 5])

（5）内容为全1的张量: ones_like()

# 内容为全1，维度来自其他张量
b = torch.zeros(2,3)
print(b)

print("\n")

a = torch.ones_like(b)
print(a)
print(a.type())

#输出：

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


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

（6）填充任意值：full((x,y)，value)

(x,y)为维度，value为填充的数值

a = torch.full((2,3),5)
print(a)

输出：

tensor([[5, 5, 5],
        [5, 5, 5]])

（7）内容为随机数的张量- 均匀分布随机数：rand()

#内容为随机数
a = torch.rand(6) 
print(a)

a = torch.rand(2,3) 
print(a)

print(a.type())
print(a.shape)  
#输出：

tensor([0.5125, 0.9256, 0.3287, 0.2118, 0.0471, 0.4917])
tensor([[0.7103, 0.0490, 0.7401],
        [0.7260, 0.2599, 0.9681]])
torch.FloatTensor
torch.Size([2, 3])

（8）内容为随机数的张量 - 正态分布随机数: normal（）

#mean: 均值
#std: 标准差
a = torch.normal(mean=0.0, std=torch.rand(5))
print(a)
print(a.type())
print(a.shape)  
#输出：

tensor([ 0.4378, -0.0869, -0.1054,  0.1447,  0.2430])
torch.FloatTensor
torch.Size([5])

（9）内容为随机数的张量 - 随机打乱一个数字序列：randperm（）

#随机打乱一个数字序列。其内的参数决定了随机数的范围
a = torch.randperm(11)
print(a)
print(a.type())
print(a.shape)  

输出：

tensor([ 0,  9,  1,  5, 10,  2,  4,  6,  3,  8,  7])
torch.LongTensor
torch.Size([11])

（10）内容是线性、均匀分布的张量 - 指定范围与步长：range(）

# range(m,n,step)
# 产生从[0,n]的一个等间距序列，包括n，这与Python不同。
# 第1个参数为起点，
# 第2个参数为终点，
# 第3个参数为步长,默认为1
a = torch.range(0,9)  
print(a)

a = torch.range(0,9,2)  
print(a)
print(a.type())

输出：

tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
tensor([0., 2., 4., 6., 8.])
torch.FloatTensor

（11）内容是线性、均匀分布的张量 - 指定范围与元素个数：linspace（）

# linspace(m,n,z) 
# 产生从[0,n]的一个等间距数字序列，包括n，这与Python不同。
# 第1个参数为起点，默认为0。
# 第2个参数为步长，默认为1
a = torch.linspace(0,9,10)  #等间距均匀分布的序列: 最后一个参数为序列的个数
print(a)
print(a.type())
输出：

tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
torch.FloatTensor

第3部分  PyTorch Tensor与Numpy Array的相互转换的实例

3.1 Numpy Array转成PyTorch Tensor：from_numpy（）

a = np.array([[1,2,3 ], [4,5,6]])  
print("****************")
print(a)
print(a.size)
print(a.shape)
#把numpy数组转换成torch张量
b = torch.from_numpy(a)

#原先的numpy数组不变
print("****************")
print(a)
print(a.size)
print(a.shape)

#生成一个新的torch张量
print("****************")
print(b)
print(b.size())
print(b.shape)
输出结果：

****************
[[1 2 3]
 [4 5 6]]
6
(2, 3)
****************
[[1 2 3]
 [4 5 6]]
6
(2, 3)
****************
tensor([[1, 2, 3],
        [4, 5, 6]], dtype=torch.int32)
torch.Size([2, 3])
torch.Size([2, 3])

3.2 PyTorch Tensor转成Numpy Array：numpy（）

#把tensor转换成numpy array
c = b.numpy()

print("****************")
print(b)
print(b.size())
print(b.shape)

print("****************")
print(c)
print(c.size)
print(c.shape)
输出结果

****************
tensor([[1, 2, 3],
        [4, 5, 6]], dtype=torch.int32)
torch.Size([2, 3])
torch.Size([2, 3])
****************
[[1 2 3]
 [4 5 6]]
6
(2, 3)

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119424611

文火冰糖的硅基工坊
关注
专栏目录
常用Pytorch中张量(Tensor)的创建
foliagev的博客
06-29 164
pytorch常用张量创建方法
pytorch创建张量tensor
icefirekk11的博客
05-17 368
1.torch.randint torch.randint (low=0, high, size, *, generator=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) 函数作用： 返回一个填充了随机整数的张量，这些整数在low(inclusive) 和high(exclusive) 之间均匀生成。张量的shape由变量参数size定义 参数说明： 常用参数： low (..
PyTorch的Tensor（张量）
然后就去远行
10-11 3569
Tensor的概念 Tensor（张量）是一个多维数组，它是标量、向量、矩阵的高维拓展。 标量是一个零维张量，是没有方向的，是一个数。一维张量只有一个维度，是一行或者一列。二维张量是一个矩阵，有两个维度，灰度图片就是一个二维张量。当图像是彩色图像（RGB）的时候，就得使用三维张量了。 Tensor与Variable 张量在数学中是多维数组，在pytorch中，张量不仅仅表示多维数组，张量还是py...
pytorch中创建Tensor张量的几种方法
weixin_43220532的博客
04-13 1862
以下所有例子没有打印输出，要验证结果请自行打印 1，将python列表和numpy数组转换为pytorch张量 import numpy as np import torch a = torch.tensor([1, 2, 3, 4]) # 将python列表转换为torch张量 b = torch.tensor([1, 2, 3, 4], dtype=torch.float32) # 将python列表转换为torch张量并指定数据类型 c = torch.tensor(range(10)) # 转换
PyTorch学习—2.张量的创建与张量的操作
柳杰的博客
07-14 771
文章目录一、PyTorch安装二、PyTorch的张量Tensor1.Tensor的概念2. Tensor的创建2.1 直接创建2.2 依据数值创建2.3 依概率分布创建3.张量的操作3.1 张量的拼接3.2 张量的切分3.3 张量的索引3.4 张量的变换3.5 张量的数学运算 一、PyTorch安装   https://download.pytorch.org/whl/torch_stable.html下载对应cuda版本或cpu，对应pytorch版本，对应python版本、对应电脑系统的文件，然后在对
pytorch创建张量方法
weixin_43744594的博客
06-11 3601
1.np.array -> tensor a = np.array([1,2]) b = torch.from_numpy(a) #[1 2] -> tensor([1, 2], dtype=torch.int32) torch.tensor和torch.Tensor两种方法很容易混淆，下面我们重点区分两者。 2.list -> tensor 此时只能生成以list中的数值大小生成tensor c = torch.Tensor([2,3]) d = torch.tensor([2,3]
PyTorch张量的概念以及创建方法
batmanchen的博客
11-15 1515
PyTorch张量 文章目录PyTorch张量前言一、Tensor与Variable二、创建张量的三种方法1.直接创建2.依据数值创建3.依据概率分布创建张量 前言 张量是一个多维数组，它是标量，向量，矩阵的高维拓展。 一、Tensor与Variable Variable是torch.autograd中的数据类型，主要用于封装Tensor，进行自动求导。 在pytorch0.4.0版本之后，Variable已经并入了Tensor，不再需要这个数据类型。但功能差不多。 torch.autograd.varia
pytorch-tensor-decompositions:卷积层的[1412.6553]和[1511.06530]张量分解方法的PyTorch实现
04-28
PyTorch张量分解 这是卷积层的Tucker和CP分解的实现。 关于此的博客文章可以在找到。 它取决于来执行张量分解。 用法 根据微调VGG16训练模型： python main.py --train 。 应该有一个包含两个类别的数据集。 每个...
pytorch-beginner:pytorch初学者教程
05-26
创建、操作和变换张量是PyTorch编程的基础。例如，可以通过以下方式创建一个张量： ```python import torch tensor = torch.tensor([[1, 2], [3, 4]]) ``` 张量支持各种数学运算，如加法、乘法、求和、矩阵乘法...
d2l-pytorch-slides:自动生成的笔记本幻灯片
04-01
1. **基础篇**：这一部分通常会介绍PyTorch的基本结构，如Tensor（张量）的创建、操作及与NumPy的互操作性。还会讲解PyTorch的动态计算图机制，这是它区别于其他框架的一大特点。 2. **深度学习模型**：这里会涉及...
tensor和numpy的互相转换的实现示例
09-18
主要介绍了tensor和numpy的互相转换的实现示例，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
pytorch-examples:使用PyTorch实施的教程，示例和项目
05-14
此外，PyTorch的张量（Tensor）类与NumPy高度兼容，使得从数值计算过渡到深度学习变得无缝。 二、机器学习基础 "machine-learning"标签表明，这个项目不仅涉及深度学习，还涵盖了基础的机器学习算法。PyTorch可以...
PyTorch教程-1：PyTorch中的Tensor基础
超级超级小天才的博客
12-10 975
PyTorch 教程系列：https://blog.csdn.net/qq_38962621/category_10652223.html PyTorch教程-1：PyTorch中的Tensor基础 首先，引入PyTorch的模块： import torch 设置运算资源 使用 torch.cuda.is_avaliable() 来判断设备上的GPU是否可用，如果可用则返回True，使用 torch.device() 则可以参数指定计算资源： 参数为"cpu"表示使用CPU计算 参数为"cuda"
tf.Tensor.numpy
weixin_36670529的博客
05-31 1081
.numpy方法只用在使用tf.enable_eager_execution()(命令式编程开启)后才有的方法, 否则会有==AttributeError: ‘Tensor’ object has no attribute ‘numpy’==报错。 import tensorflow as tf from math import pi tf.enable_eager_execution() ...
【深度学习】Pytorch Tensor 张量
范同学的学习历程
07-25 2462
目录一、张量概述：二、初始化张量：直接使用Python列表转化为张量：通过Numpy数组（ndarray）转换为张量：通过已有的张量生成新的张量：通过指定数据维度生成张量： 三、张量属性：四、张量的运算：1.张量的索引和切片：2.张量的拼接：3.张量的乘法和矩阵乘法：乘法（点乘）：矩阵乘法（叉乘）：4.自动赋值运算：五、Tensor和Numpy的相互转换：1.由tensor转换为ndarray：2.由Ndarray转换为Tensor： 一种特殊的数据结构，使用在深度学习的神经网络中，类似数组（
深度学习实验二
vvhvj的博客
09-10 1132
NNDL 实验二 pytorch入门 一. 概念：张量、算子 1.张量：在深度学习框架中，数据经常用张量(Tensor)的形式来存储。张量是矩阵的扩展与延伸，可以认为是高阶的矩阵，是标量,向量,矩阵的高维拓展。 2.算子：算子是构建复杂机器学习模型的基础组件，包含一个函数f(x)的前向函数和反向函数。 二. 使用pytorch实现张量运算 1.2 张量 1.2.1 创建张量 创建一个张量可以有多种方式，如：指定数据创建、指定形状创建、指定区间创建等。 1.2.1.1 指定数据创建张量 通过给定Python列
Tensor 和 Numpy 相关操作
最新发布
Henry的博客
03-02 1376
Numpy ：处理多维数组 + 读取图片Tensor ： 张量，可以理解为多维数组。tensor 是神经网络传递的基本数据，pytorch中的重要数据结构，和numpy的ndarrays相似。但可以用于GPU加速 + 反向传播一般来说神经网络工作的基本流程是：Image读取图片 -----> np 读取数据 -----> 转为tensor用于model训练 -----> 输出结果仍为tensor ------> 转为 np 绘制图像Image.open 读取图像，产生的数据是image类型。
PyTorch创建张量方法全解
李坦(TJNU教育技术学)
07-31 2718
本文介绍PyTorch创建张量的三种方式，分别为直接创建、依据数值创建以及依据概率创建。 1.直接创建 1.1 使用数组创建 1.1.1 语法： 1.1.2 说明： 1.1.3 程序： arr=np.ones((3,3)) print("arr的数据类型为："+str(arr.dtype)) t=torch.tensor(arr) print(t) 1.1.4运行结果： 1.2 使用numpy创建 1.2.1 语法： 1.2.2说明： 1.2.3 程序： arr=np.array([[1,2.
pytorch中Tensor各种操作
zycxnanwang的博客
08-21 2073
import torch pytorch中Tensor初始化 #返回全零Tensor a = torch.zeros(2,3); print(a) #返回shape和参数一样的全1Tensor, zeros_like类似 b = torch.ones_like(a); print(b) #torch.arange(start=0, end, step=1) c = torch.arange...
PyTorch张量详解：创建与属性
本文主要介绍了PyTorch中的张量（Tensor）及其创建方法，并详细解析了张量的一些关键属性。 在PyTorch中，张量是核心的数据结构，它类似于多维数组，可以看作是标量、向量、矩阵等的高维扩展。张量在深度学习中扮演...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

文火冰糖的硅基工坊

你的鼓励是我前进的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值