张量的创建

张量的创建

构造

首先需要导入pytorch和numpy库

import torch
import numpy as np

默认构造方法

我们可以看看张量的相关参数

torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)

其中：

• data: 数据，可以是list，numpy的ndarray
• dtype: 数据类型，默认与data的类型一致
• device: 所在设备，gpu/cpu
• requires_grad: 是否需要梯度，因为神经网络结构经常会要求梯度
• pin_memory: 是否存于锁页内存

使用numpy构造

通过np创建ndarray，然后转化为张量，数据类型默认与data一致

#from_numpy()
a = np.array([2, 3.3])
torch.from_numpy(a)
#tensor()
a = np.ones([2, 3])
torch.tensor(a)

使用List构造

torch.tensor([2, 3.2])
torch.FloatTensor([2, 3.2])
torch.tensor([[2, 3.2], [1, 1.1]])

如果搭建了GPU环境，可以将张量加载到GPU上

t = torch.tensor(a,device='cuda')

创建全0张量

zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

其中：

• size：为张量的形状
• out：输出的张量
• dtype: 数据类型
• layout：内存中的布局形式，有strided，sparse_coo等
• device：所在设备，gpu/cpu
• requires_grad:是否需要梯度

例如：

t1 = torch.tensor([1,2,3])#创建一个t1张量，赋一个初始值
t = torch.zeros((2,3),out=t1)#将创建的t张量输出到t1
#此时t和t1调用id()方法返回值相同，表明两者共用同一个内存块

通过torch.zeros_like()也可以创建全0张量：

torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False)

例如：

input = torch.empty(3, 5)
t = torch.zeros_like(input)#根据input的shape创建张量

创建全1张量

全1张量的创建和全0张量的创建方式基本一致，使用如下方式创建：

torch.ones()

torch.ones_like()

根据数值创建张量

torch.full(size, fill_value, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

torch.full_like(input, fill_value, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

其中出现新参数：

• fill_value: 填充的值

例如：

#创建一个2*2元素都是8的张量
t = torch.full((2,2),8)
#根据input的shape创建张量
input = torch.empty(3, 5)
t = torch.full_like(input,8)

创建等差的1维张量

arange(start=0, end, step=1, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

其中：

• start:数列的起始值
• end:数列的结束值，取不到，只能取到 end-1
• step:公差（步长），默认为 1

例如：

t = torch.arange(1,9,2)#创建1-7公差为2的等差张量，end=9是取不到的

创建等间距（均分）的1维张量

linspace(start, end, steps=100, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

其中：

• steps:创建出的一维张量的元素个数
• end：结束位置可以取到

例如：

t = torch.linspace(1,9,7)
#得到结果为tensor([1.0000,2.3333,3.6667,5.0000,6.3333,7.6667,9.0000])

创建对数均分的1维张量

logspace(start, end, steps=100, base=10.0, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

其中：

• base: 对数函数的底，默认为10

例如：

t = torch.logspace(start=-5, end=10,steps=4)
#得到结果为tensor([1.0000e-05, 1.0000e+00, 1.0000e+05, 1.0000e+10])

创建单位对角矩阵（2维张量）

torch.eye(n, m=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

其中：

• m:矩阵行数

• n:矩阵列数

例如：

t = torch.eye(4)

创建正态分布（高斯分布）数据的张量

torch.normal(mean, std, out=None)

其中：

• mean:均值

• std:标准差

这种生成正态分布数据的张量创建有4种模式：

1. mean为张量，std为张量
2. mean为标量，std为标量
3. mean为标量，std为张量
4. mean为张量，std为标量

例如：

mean为张量，std为张量

mean = torch.arange(1,6,dtype=torch.float)
#mean=tensor([1., 2., 3., 4., 5.])
std = torch.arange(1,6,dtype=torch.float)
#std=tensor([1., 2., 3., 4., 5.])
t = torch.normal(mean,std)
#t=tensor([ 0.9000,  1.6033,  3.5314, -0.0566, 10.3133]),此时的mean和std都是张量，可以理解为其中的0.9000是mean为1，std为1的正态分布采样得到，其他对应位置数据同理得到，只是从不同的正态分布中采样得到。

mean为标量，std为标量

t = torch.normal(0.2,1.0,size=(5,))
#这里生成的数据都是通过mean为0.2，std为1.0采样得到的，长度为5的一维张量。

mean为标量，std为张量

mean = 2
std = torch.arange(1,4,dtype=torch.float)
t = torch.normal(mean,std)
#t=tensor([ 0.9550,  5.9733, -1.0537]),0.9550是mean为2，std为1的正态分布采样得到，其他对应位置数据同理得到，只是从不同的正态分布中(均值不同，标准差相同）采样得到。

mean为张量，std为标量

同上规律

创建标准正态分布数据的张量

torch.randn(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

其中：

• size:张量的形状

例如：

#例如创建一个长度为6的标准正态分布张量
torch.randn(6)
#创建一个二维的标准正态分布张量
torch.randn(3,4)
#根据张量的形状创建新的标准正态分布张量
a = torch.ones((3,4))
t = torch.randn_like(a)

创建在 (0,1] 上均匀分布的张量

torch.rand(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

例如：

#创建一个均匀分布的长度为5的一维张量
torch.rand(5)
#创建一个均匀分布的二维张量
torch.rand(3,4)
a = torch.ones((3,4))
#根据张量的形状创建新的均匀分布张量
t = torch.rand_like(a)

在区间上创建整数均匀分布数据的张量

torch.randint(low=0, high, size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

在区间[low,high)上生成整数均匀分布数据的张量

例如：

#创建在[2,6)上均匀分布的整数张量，长度为4的一维张量
torch.randint(2, 6, (4,))
#生成在[0,9) 上均匀分布的整数张量，二维张量
torch.randint(9, (3, 2))
#根据张量的形状创建新的均匀分布的整数张量
a = torch.ones((3,4))
t = torch.randint_like(a,9)

创建0~n-1的随机排列一维张量

torch.randperm(n, out=None, dtype=torch.int64, layout=torch.strided, device=None, requires_grad=False)

例如：

torch.randperm(6)
#tensor([5, 2, 4, 1, 0, 3])

创建伯努利分布（0-1分布，两点分布）的张量

torch.bernoulli(input, *, generator=None, out=None)

例如：

#先创建一个张量a，作为之后的概率值输入
a = torch.empty(1, 3).uniform_(0, 1)
#a=tensor([[0.7737, 0.5065, 0.0416]])
#使用上面创建的张量a作为概率值创建伯努利分布
torch.bernoulli(a)
#b=tensor([[1., 0., 0.]])

默认数据类型设置

import torch

#原来的默认类型
print(torch.tensor([1.2, 3]).type())
torch.set_default_tensor_type(torch.DoubleTensor)
#后来的默认类型
print(torch.tensor([1.2, 3]).type())