张量的创建与常用方法

@TOC

---

一、张量（Tensor）的基本创建及其类型

PyTorch的tensor数据类型及其相关转换

1.张量（Tensor）函数创建方法

张量创建函数：torch.tensor()

# 通过列表创建张量
t = torch.tensor([1, 2])
# 通过元组创建张量
torch.tensor((1, 2))
import numpy as np
a = np.array((1, 2))
# 通过数组创建张量
t1 = torch.tensor(a)
# 创建int16整型张量
torch.tensor([1.1, 2.7], dtype = torch.int16)

2.张量的类型

t.dtype # torch.int64
t1.dtype # torch.int32

张量则默认创建int64（长整型）类型,整数型的数组默认创建int32（整型）类型。

torch.tensor(np.array([1.1, 2.2])).dtype # torch.float64
torch.tensor([1.11, 2.2]).dtype  # torch.float32

创建浮点型数组时，张量默认是float32（单精度浮点型），而Array则是默认float64（双精度浮点型）。

3.张量类型的转化

张量类型的隐式转化

和NumPy中array相同，当张量各元素属于不同类型时，系统会自动进行隐式转化。

# 浮点型和整数型的隐式转化
torch.tensor([1.1, 2]).dtype
# 布尔型和数值型的隐式转化
torch.tensor([True, 2.0])

张量类型的转化方法

可以使用.float()、.int()等方法对张量类型进行转化

# 通过列表创建张量
t = torch.tensor([1, 2])
# 转化为默认浮点型（32位）
t.float()

当在torch函数中使用dtype参数时候，需要输入torch.float表示精度；
在使用方法进行类型转化时，方法名称则是double。（虽然torch.float和double都表示双精度浮点型。）

二、张量的维度与形变

t1 = torch.tensor([1, 2])
# 使用ndim属性查看张量的维度
t1.ndim  # 1
# 使用shape查看形状
t1.shape # torch.Size([2])
# 和size函数相同
t1.size() #torch.Size([2])
# 返回拥有几个（N-1）维元素
len(t1) # 2
# 返回总共拥有几个元素
t1.numel() # 2

零维张量

t = torch.tensor(1)
t.ndim # 0 
t.shape # torch.Size([])
t.numel() # 1

张量的形变

flatten拉平：将任意维度张量转化为一维张量

t2 = torch.tensor([[1, 2], [3, 4]])
t2.flatten() # tensor([1, 2, 3, 4])

注：如果将零维张量使用flatten，则会将其转化为一维张量。

reshape方法：任意变形

t1 = torch.tensor([1, 2])
# 转化为两行、一列的向量
t1.reshape(2, 1)
t1.reshape(2, 1).ndim # 2

张量维度变换

通过reshape方法，能够灵活调整张量的形状。而在实际操作张量进行计算时，往往需要另外进行降维和升维的操作，当我们需要除去不必要的维度时，可以使用squeeze函数，而需要手动升维时，则可采用unsqueeze函数。

squeeze函数：删除不必要的维度

简单理解，squeeze就相当于剔除了shape返回结果中的1

t = torch.zeros(1, 1, 3, 1)
t.shape
torch.squeeze(t)
torch.squeeze(t).shape  # torch.Size([3])

unsqeeze函数：手动升维

t = torch.zeros(1, 2, 1, 2)
torch.unsqueeze(t, dim = 0)              # 在第1个维度索引上升高1个维度
torch.unsqueeze(t, dim = 2).shape         # 在第3个维度索引上升高1个维度
torch.unsqueeze(t, dim = 4).shape          # 在第5个维度索引上升高1个维度

三、张量（Tensor）和其他相关类型之间的转化方法

张量、数组和列表是较为相似的三种类型对象，在实际操作过程中，经常会涉及三种对象的相互转化。torch.tensor函数可以直接将数组或者列表转化为张量，而我们也可以将张量转化为数组或者列表。

.numpy方法：张量转化为数组

t1 = torch.arange(1,11) # tensor([1, 2, 3, 4, 5, 6, 7, 8, 9])
t1.numpy() # array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10], dtype=int64)
# 当然，也可以通过np.array函数直接转化为array
np.array(t1) array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10], dtype=int64)

.tolist方法：张量转化为列表

t1 = torch.arange(1,11) # tensor([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
t1.tolist() # [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

.item()方法：转化为数值

n = torch.tensor(10)  # tensor(10)
n.item()  # 10