深度学习入门：张量介绍

在进行深度学习时绕不过去的就是张量概念了，作为我们学习深度学习路上的第一块绊脚石，我就斗胆向你们介绍一下张量的概念，移除你们学习路上的绊脚石，希望本篇文章对你们能够有所帮助。

什么是张量？ 

按照我们的惯例，我们先去官网上查看一下官方文档是怎样描述张量的

 张量

张量是一个类似于数组与矩阵的专用的数据类型。在PyTorch中，我们使用张量来编码模型的输入输出与模型的参数。

除了张量可以在GPU或者其他硬件加速器上运行之外，张量类似于NumPy的n维数组。实际上，张量和NumPy数组通常可以共用底层内存，从而消除复制数据的需要。张量也对自动微分进行了优化（我们将在后面的Autograd一节中看到更多相关内容），如果你对n维数组熟悉的化，那你也将对张量API非常熟悉。如果不熟悉的话，跟着做。

 可以看到官方的描述中说，张量是一种数据类型，可以在硬件上进行加速。

那么到底什么是张量呢？我相信小伙伴对此依然一头雾水，你们也许会说：“是的，我们虽然对张量有一定的了解了，知道这种数据类型与数组和矩阵类似，但是它究竟是什么呢？”接下来就让我带着你们去揭开张量神秘的面纱（当然这只是简单的让你们了解一下，毕竟以我的知识储备还不足以理解张量，所以我所能够带给你的只是对张量最浅显的理解）。

张量的关键属性

张量的关键属性有三个，1.轴的个数，2.张量的形状，3.张量的数据类型，4.储存张量的设备

1、轴的个数，我们可以理解为阶数，几阶张量就有几个轴，如一阶张量具有一个轴，二阶张量具有两个轴。

2、张量的形状，张量的形状描述了张量在具体轴上的长度，例如，假设我们有如下张量

 我们说这是一个（2， 5）的张量，表示在轴0上的长度为2，在轴1上的长度为5.张量的形状则告诉了我们张量沿每个轴的长度。

3、数据类型，张量中数据的类型，张量有八种数据类型，这八种数据类型分别是

4、储存张量的设备，这一属性描述了数据储存在什么设备上，如CPU，GPU

下面代码可以将张量的属性打印出来，我们可以运行一下试试

# 创建一个形状是（3，4）的张量其中数据是随机的
tensor = torch.rand(3,4)
# 打印张量的形状
print(f"Shape of tensor: {tensor.shape}")
# 打印张量的数据类型
print(f"Datatype of tensor: {tensor.dtype}")
# 打印张量储存在什么设备上
print(f"Device tensor is stored on: {tensor.device}")

结果如下：

 Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu

我们可以将张量理解为多维数组，当张量为0阶时，我们可以理解为这是一个数，当张量为1阶时我们可以将其理解为一个向量，当张量为2阶时，我们可以将其理解为这是一个矩阵，当张量为3阶时，我们可以将其理解为这是一个立体矩阵。我试着画图表示一下这四种张量(画出图只是为了让你们更好的理解，并不代表数据就是这样的)，图示如下：

 

 

 

 相信这样能够让你对张量有一点点直观上的了解，或许你可以想象一下更高阶的张量。

相信大家看到这里大家对于张量有了一点朦胧的感觉（尽管是最浅显的理解），接下来我们带你们了解一下如何创建张量。

如何创建张量？（下面信息来自官方网站，有兴趣的小伙伴可以去看看，链接贴在下面）

tensor创建操作官方描述

张量的创建方法有四种，分别是1.从已有的数据直接转换成张量，2.从Numpy数组转化成张量，3.创建一个随机值的张量或者创建一个常数值张量。4.从另一个张量中得到一个张量

下面我们分别进行演示。

第一种方法：从已有数据直接转化成张量

# 导入演示所需包
import torch
# 创建一个空列表接受数据
num = []
for i in range(10):
    num.append(i)
# 得到一个从已有数据创建的张量
x = torch.tensor(num)
# 打印张量的内容
print(x)
# 打印张量的数据类型
print(x.type())

输出结果如下

 第二种方法:从Numpy数组转换过来

利用到的函数为torch.from_numpy()

关于torch.from_numpy()的官方文档描述如下：

从numpy的多维数组中创建一个张量，这个返回的张量和多维数组共享内存，修改张量的值会反应在多维数组中，反之亦然。返回的张量不可以再修改形状。

# 创建一个多维数组
a = numpy.array([1, 2, 3])
# 转换成张量
t = torch.from_numpy(a)
# 打印张量t中的内容
print(t)
# 通过张量修改值
t[0] = -1
# 打印多维数组的值，看是否被修改
print(a)

 输出结果如下

tensor([ 1,  2,  3])

tensor([-1,  2,  3])

 第三种方法:创建一个随机值张量，或者常数值张量（张量中的值是随机值，或是张量中的值为常数值）

# shape是要创建的张量的形状，是一个元组
# 每一个数字代表了张量在对应轴上的长度
shape = (2,3,)
# 创建一个随机张量
rand_tensor = torch.rand(shape)
# 创建一个全为1的张量
ones_tensor = torch.ones(shape)
# 创建一个全为0的张量
zeros_tensor = torch.zeros(shape)
# 分别打印上面的张量
# 随机张量，因为随机每一次输出与上一次不相同是很正常的情况
print(f"Random Tensor: \n {rand_tensor} \n")
print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor}")

下面是输出的结果：

Random Tensor:
 tensor([[0.6764, 0.3261, 0.2462],
        [0.0094, 0.8568, 0.8560]])

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

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

 第四种方法：从已有张量中创建张量

这种方法创建的张量与原先的张量具有相同的形状，我给你们打一个不恰当的比方，假设原先的张量是一个箱子，这一个箱子装的是玩具，我们这一种创建张量的方式是创建一个箱子与原先的箱子一样，但是这个箱子里装的东西可以与原先不一样。

data = [[1, 2],[3, 4]]
x_data = torch.tensor(data)
# 创建一个张量，此张量的形状与x_data形状一样，但是里面的数据全是1
x_ones = torch.ones_like(x_data) # retains the properties of x_data
print(f"Ones Tensor: \n {x_ones} \n")
# 创建一个张量，此张量的形状与x_data形状一样，但是里面的数据全是随机的
x_rand = torch.rand_like(x_data, dtype=torch.float) # overrides the datatype of x_data
print(f"Random Tensor: \n {x_rand} \n")

输出结果为：

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

Random Tensor:
 tensor([[0.3189, 0.1517],
        [0.0728, 0.4654]])

以上就是创建张量的四种方法，我只是向你们阐述一下我浅显的认识，如果有什么不足，或者有不对的地方还请大家指出。

以上就是我要在这一篇文章中所要讲述的全部内容了，在后续的文章中我会讲述张量的一些操作，

如果你觉得本篇文章对你有用的话，请动一动手指帮博主点一个赞，你的支持就是我更新的动力。

我是apprentice_eye，一个致力于让知识变的易懂的博主

小伙伴们，点个关注再走吧！！！