pytorch笔记14-17创建tensor（数据类型）

1. 基本数据类型

1. Dimension 0/rank 0 ，0维数据（标量）

   torch.tensor(1.0)
   # out:tensor(1.)
   torch.tensor(1.3)
   # out:tensor(1.300)
   # 查看数据类型
   a = torch.tensor(2.2)
   a.shape		# 注意这里是shape没有括号，不是一个成员函数，与size()区分
   # out:torch.Size([])
   len(a.shape)
   # out:0
   a.size()
   # out:torch.Size([])		# size为成员函数，记得加括号
   

2. Dim1/rank 1

   用来表示bias神经网络中的偏置项或者打平后的数据，如[28,28]的图片，打平后为[784]

   torch.tensor([1.1])
   # out:tensor([1.1000])     # 一维的张量
   torch.tensor([1.1,2.2])
   # out:tensor([1.1000,2.2000])
   # 或者使用torch.FloatTensor()产生一维张量
   torch.FloatTensor(1)
   # out:tensor([2.3000])
   torch.FloatTensor(2)
   # out:tensor([1.6000,3.5000])
   

3. Dim2/rank2

   用来表示带有batch的输入，如一张图片[784]，一次输入4张图片[4,784]

   a = torch.randn(2,3)
   # out:tensor([[ 0.8689, -0.5615,  0.6235],
   #       [ 0.5463,  1.1281,  0.1555]])
   a.shape
   # torch.Size([2, 3])
   a.size()
   # torch.Size([2, 3])
   a.size(0)
   # 2
   a.size(1)
   # 3
   a.shape[1]		#注意这里shape索引是[]列表结构
   # 3
   

4. Dim3/rank3

   适合NLP的RNN输入

   a = torch.rand(2,2,3)
   # tensor([[[0.3447, 0.6256, 0.9380],
            [0.1662, 0.2953, 0.6855]],
   
           [[0.2159, 0.2447, 0.8352],
            [0.6679, 0.7348, 0.2862]]])
   a.shape
   # torch.Size([2, 2, 3])
   a.size(1)		# 2
   a.size(2)		# 3
   

5. Dim4/rank4

   适合CNN网络输入[b,c,h,w]batch，色彩通道，图片大小

   a = torch.rand(2,3,28,28)
   # 一次输入2张28*28的彩色图片
   

6. Mixed补充

   a = torch.rand(2,3,28,28)
   a.numel()
   # 得到数据占用内存的大小 4704=2*3*28*28
   a.dim()
   # 返回数据的维度 4 更加直观
   

2. 创建tensor

1. import from numpy适用于大量数据导入，numpy方便

   a = np.array([2,3.3])
   torch.from_numpy(a)
   # tensor([2.0000,3.3000],dtype=torch.float64)
   

2. import from list适用于少量数据，只需要生成给定的list数据

   torch.tensor([2,3.2])		#接收的参数就是现存的数据
   # tensor([2.0000, 3.2000])
   torch.tensor([[2,3.2],[1.2,4]])
   # tensor([[2.0000, 3.2000],
           [1.2000, 4.0000]])
   # 大写的Tensor接收数据的维度，也可直接给值，不建议直接给值使用
   torch.IntTensor(2,3)
   # tensor([[1684420912,  758330982,878981426],
           [ 929379373,  876162359, 825045090]], dtype=torch.int32)
   torch.IntTensor([2,3])		# 这里直接传入list给定值
   # tensor([2, 3], dtype=torch.int32)
   

3. uninitialized未初始化的数据及初始化定义

   ​ 1. 程序报错nan或inf查看数据是否未初始化,定义了数据空间后，记得及时写入数据

   torch.empty(d1,d2,d3)
   

    2. 带初始化的数据
   

   torch.rand(3,3)		# 产生[0,1]均匀分布的数据
   # tensor([[0.1713, 0.8286, 0.8841],
           [0.4365, 0.2444, 0.5381],
           [0.8176, 0.0386, 0.4318]])
   a = torch.rand(3,3)
   b = torch.rand_like(a)	
   # 接收参数为tensor，产生同样大小的tensor
   torch.randint(1,10,[3,3])	# 产生给定范围[1,10)的二维数据
   # tensor([[6, 7, 9],
           [8, 1, 9],
           [6, 7, 3]])
   torch.randn(3,3)	# 产生正态分布的数据N(0,1)均值0，方差1
   torch.full([2,3],7)		# 指定数据填充
   torch.full([],7)	# tensor(7)，dim0
   torch.arange(0,10)	# 等差数列,参数(start,end,step)
   # 数据的切分,切分为m个，包括右端点，与arange不同
   torch.linspace(0,10,5)
   # tensor([ 0.0000,  2.5000,  5.0000,  7.5000, 10.0000])
   torch.ones(3,3)		# 全部为1
   torch.zeros(3,3)	# 全部为0
   torch.eye(3,3)		# 对角矩阵，只有对角为1
   

   3. 数据打散

   torch.randperm(3)
   # tensor([2, 0, 1]) 产生随机索引
   a = torch.rand(3,2)		# 3位同学语文成绩
   b = torch.rand(3,2)		# math
   idx = torch.randperm(3)
   a[idx],b[idx]
   

4. set default type设置tensor的默认类型

   # 默认torch的小数为FloatTensor
   torch.tensor([1.,2]).type()
   # 'torch.FloatTensor'
   torch.set_default_tensor_type(torch.DoubleTensor)		# 设置默认为Double类型
   torch.tensor([1.,2]).type()
   # 'torch.DoubleTensor'
   

3. type-check

a = torch.randn(2,3)
a.type()
# 'torch.FloatTensor' 可以查看数据的类型
# 在程序中检查数据类型是否一致
isinstance(a,torch.FloatTensor)
# True
# 与GPU上的数据进行比较
isinstance(a,torch.cuda.FloatTensor)
# False
# 使用.cuda方法，将数据类型转换为gpu数据
a = a.cuda()
isinstance(a,torch.cuda.FloatTensor)
# True