【PyTorch教程】01-如何创建和初始化Pytoch张量 (2022年最新)

1. 什么是张量

张量 (tensor) 是一种数据结构，将始终贯穿PyTorch的全过程。

• 向量数据的延申方向是一条线，称为一维张量。描述向量元素的位置和形状只需要用一个数就可以，例如[x]；
• 矩阵数据的延申方式是一个平面，称为二维张量。描述矩阵元素的位置和形状需要用两个数，例如[x, y]；
• 而张量数据延申方向是三个或三个以上，称为多维张量。如三维张量的延申方向是立体，描述三维张量的位置和形状需要用三个数，例如[x, y, z]；

2. 创建张量

在Pytorch中，创建张量主要有以下四种方式：

2.1 直接生成张量

先创建一个二维数组 (即矩阵) ，再把这个二维数组作为参数，传入函数 torch.tensor() 中，就会直接生成 torch.Tensor 张量。

会自动推断张量的数据类型 (在深度学习中，数据类型绝大多数是浮点型，其次是整形) 。

import torch

data = [[1, 2], [3, 4]]
print("转换前的数据类型：", type(data))
x_data = torch.tensor(data)
print("转换后的数据类型：", type(x_data))
print(x_data.shape)

输出：

转换前的数据类型： <class 'list'>
转换后的数据类型： <class 'torch.Tensor'>
torch.Size([2, 2])

2.2 通过Numpy arrays创建张量

torch tensor 和 Numpy arrays之间是可以互相转化的。

函数	作用
torch.from_numpy(ndarray)	把Numpy数组转化为torch张量
已经创建好的张量.numpy()	把torch张量转化为Numpy数组

举个例子：

1.Numpy数组 –> torch张量

import torch
import numpy as np

data = [[1, 2], [3, 4]]
np_array = np.array(data)
print("转换前Numpy数组的数据类型：", type(np_array))
x_np = torch.from_numpy(np_array)
print("转换后torch tensor的数据类型：", type(x_np))
print("张量的形状：", x_np.shape)
print(x_np)

输出：

转换前Numpy数组的数据类型： <class 'numpy.ndarray'>
转换后torch tensor的数据类型： <class 'torch.Tensor'>
张量的形状： torch.Size([2, 2])
tensor([[1, 2],
        [3, 4]], dtype=torch.int32)

2.torch张量 –> Numpy数组

import torch
import numpy as np

tensor = torch.tensor([[1, 2], [3, 4]])
print("转化前类型：", type(tensor))
np_array = tensor.numpy()
print("转化后类型：", type(np_array))

输出：

转化前类型： <class 'torch.Tensor'>
转化后类型： <class 'numpy.ndarray'>

2.3 通过已有的张量创建新的张量

在Pytorch中，可以通过已有的张量，“复制”出另一个形状相同的新张量。其中，新张量的数据类型可以继承原来的张量，也可以指定为新的数据类型。但是两个张量的形状一定是相同的。常用的函数主要有以下两个：

函数	作用
torch.ones_like(torch.Tensor x)	创建一个和张量x形状相同，但值全为1的新张量
torch.rand_like(torch.Tensor x, dtype=torch.float)	创建一个和张量x形状相同，但值全为0~1随机数的新张量，且数据类型改为 torch.float

举个栗子：

import torch

tensor1 = torch.tensor([[1, 2], [3, 4]])
tensor2 = torch.ones_like(tensor1)  # 保留tensor1的所有属性
print(f"Ones Tensor:\n {tensor2} \n")   # 这种写法类似于C中的printf()
tensor3 = torch.rand_like(tensor1, dtype=torch.float)   # 重新指定tensor1的数据类型
print(f"Random Tensor:\n {tensor3} \n")

输出：

Ones Tensor:
 tensor([[1, 1],
        [1, 1]]) 

Random Tensor:
 tensor([[0.8884, 0.5649],
        [0.5172, 0.0832]]) 

2.4 根据张量维度创建张量

可以通过指定张量的维度 (即张量形状) shape ，来创建以下三种张量：

函数	作用
torch.ones(shape)	创建维度为shape的全1张量
torch.rand(shape)	创建维度为shape的随机值 (范围0~1) 张量
torch.zeros(shape)	创建维度为shape的全0张量

举个栗子：

import torch

shape = (2, 3)  # 声明张量维度
ones_tensor = torch.ones(shape)
rand_tensor = torch.rand(shape)
zeros_tensor = torch.zeros(shape)

print(f"Ones Tensor:\n {ones_tensor} \n")
print(f"Random Tensor:\n {rand_tensor} \n")
print(f"Zeros Tensor:\n {zeros_tensor} \n")

输出：

Ones Tensor:
 tensor([[1., 1., 1.],
        [1., 1., 1.]]) 

Random Tensor:
 tensor([[0.5321, 0.1629, 0.1860],
        [0.3626, 0.5045, 0.7865]]) 

Zeros Tensor:
 tensor([[0., 0., 0.],
        [0., 0., 0.]])