Pytorch课程笔记（二）----创建Tensor

Pytorch课程笔记（二）----创建Tensor

从numpy中导入

import torch
import numpy as np

a1 = np.array([2, 2.3])
a2 = np.ones([2, 3])

b1 = torch.from_numpy(a1)
b2 = torch.from_numpy(a2)

print(b1)
print(b2)
print(a1)
print(a2)

结果：

从numpy中导入的float其实是double类型

从list中导入

import torch

a1 = torch.tensor([2, 2.3])
a2 = torch.FloatTensor([2, 3])

b1 = torch.tensor([[2., 2.3],[1., 22.3]])

print(a1)
print(a2)
print(b1)

结果：

注意这里的tensor和FloatTensor是由区别的
tensor代表接收现有的张量数据
FloatTensor(shape)代表的是接收现有数据的维度

生成未初始化的数据

• Torch.empty()
• Torch.FlaotTensor(d1,d2,d3)
  torch.FloatTensor([1,2]) ≠ torch.tensor([1,2])
• Torch.IntTensor(d1,d2,d3)
  一般在用的时候都是先进行初始化，再赋值数据

随机初始化函数

rand/rand_like/randint

import torch

a1 = torch.rand(2,2)
a2 = torch.rand_like(a1)
a3 = torch.randint(1, 10,[3,3])

print(a1)
print(a2)
print(a3)

结果：

这里randn比较好用
但是不做过多说明了

生成特定元素张量

• full

a1 = torch.full([2, 3], 6)
a2 = torch.full([], 6)
a3 = torch.full([1], 6)

print(a1)
print(a2)
print(a3)

结果：

递增/递减的张量生成

• arange/range

a = torch.arange(0,10,2)

结果：

等份切分

• linspace/logspace

a1 = torch.linspace(0, 10, steps=4)
a2 = torch.logspace(0, 1, steps=10)
a3 = torch.logspace(0, -1, steps=10)

结果：

logspace的base参数可以设置为2，10，e等底数

生成最简单的张量

• ones/zeros/eye

a1 = torch.ones(3,3)
a2 = torch.zeros(3,3)
a3 = torch.eye(3,4)

结果：

随机打散

• randperm

a1 = torch.randperm(10)

结果：

• random.shuffle
  随机打散用于索引