Tensor使用
前言
在深度学习中，tensor的一些常规使用方法。
1.tensor初始化
（1）正态分布随机初始化：
import torch
x=torch.randn(2,3) #随机初始化正态分布矩阵
print("服从正态分布：",x)
结果：
x服从正态分布： tensor([[-0.4914, -0.5140, -0.1600],
[-0.0963, 1.3560, -1.1716]])
（2）均匀分布随机初始化：
x0=torch.rand(2,3) #随机初始化均匀分布矩阵
print("服从均匀分布：",x0)
结果：
x0服从均匀分布： tensor([[0.3321, 0.7207, 0.5049],
[0.1105, 0.3296, 0.3703]])
（3）未初始化矩阵：
x1=torch.empty(2,3) #未初始化的矩阵
print(x1)
结果：
tensor([[9.7107e-26, 4.5794e-41, 2.7317e-17],
[3.0631e-41, 0.0000e+00, 0.0000e+00]])
（4）全零矩阵：
x2=torch.zeros(2,3,dtype=torch.int) #全零矩阵,整型
print(x2)
结果：
tensor([[0, 0, 0],
[0, 0, 0]], dtype=torch.int32)
（5）浮点型全零矩阵：
x3=torch.zeros(2,3) #全零矩阵，浮点型
print(x3)
结果：
tensor([[0., 0., 0.],
[0., 0., 0.]])
（6）随机整数的张量：
# 返回一个填充了随机整数的张量，这些整数在low和high之间均匀生成。张量的shape由变量参数size定义。
x16=torch.randint(low=0, high=3, size=(10,)).float()
print("x16", x16)
print("x16.size()", x16.size())
结果：
x16：
tensor([0., 1., 1., 0., 2., 1., 1., 1., 2., 0.])
x16.size() torch.Size([10])
torch.randint(low, high, size, *, generator=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
参数说明：
常用参数：
low ( int , optional ) – 要从分布中提取的最小整数。默认值：0。
high ( int ) – 高于要从分布中提取的最高整数。
size ( tuple ) – 定义输出张量形状的元组。
关键字参数：
generator ( torch.Generator, optional) – 用于采样的伪随机数生成器
out ( Tensor , optional ) – 输出张量。
dtype ( torch.dtype , optional) – 如果是None，这个函数返回一个带有 dtype 的张量torch.int64。
layout ( torch.layout, optional) – 返回张量的所需布局。默认值：torch.strided。
device ( torch.device, optional) – 返回张量的所需设备。默认值：如果None，则使用当前设备作为默认张量类型（请参阅torch.set_default_tensor_type()）。device将是 CPU 张量类型的 CPU 和 CUDA 张量类型的当前 CUDA 设备。
requires_grad ( bool , optional ) – 如果 autograd 应该在返回的张量上记录操作。默认值：False。
2.tensor常用操作和计算
（1）拼接：
y=torch.cat((x2,x3),0) #x2和x3沿着维度0（行）拼接
print("x2和x3拼接",y)
结果：
x2和x3拼接 tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
（2）类型转换：
x4=torch.tensor([[1,2,3],[4,5,6]]) #将数组转换为tensor型
print(x4)
结果：
tensor([[1, 2, 3],
[4, 5, 6]])
（3）获取tensor的维度：
shape=x4.size() #获取tensor的维度
print(shape)
结果：
torch.Size([2, 3])
（4）改变tensor的形状：
x5=x4.view(3,2) #对tensor形状进行改变
print(x5)
结果：
tensor([[1, 2],
[3, 4],
[5, 6]])
（5）改变tensor的形状（系统自动补齐对应维数）：
x6=x4.view(6,-1) #-1代表系统自动补齐对应维数。2x3=6xwhat
print(x6)
结果：
x6：
tensor([[1],
[2],
[3],
[4],
[5],
[6]])
（6）对tensor的累加（不改变原tensor）：
x7=x4.add(10) #使用add函数会生成一个新的Tensor变量
print(x4)
print(x7)
结果：
x4：
tensor([[1, 2, 3],
[4, 5, 6]])
x7：
tensor([[11, 12, 13],
[14, 15, 16]])
（7）对tensor的累加（改变原tensor）：
x4.add_(10) #add_ 函数会直接再当前Tensor变量上进行操作。所以，对于函数名末尾带有"_"的函数都是会对Tensor变量本身进行操作 的。可以直接加到x4上面。
print(x4)
结果：
x4：
tensor([[11, 12, 13],
[14, 15, 16]])
（8）矩阵乘法：
x8=torch.mm(x4,x4.t()) #矩阵乘法,.t()表示矩阵转置
print(x8)
结果：
x8：
tensor([[14, 32],
[32, 77]])
（9）矩阵乘法（对应元素相乘）：
x9=x4*x4 #对应元素相乘
print(x9)
结果：
x9：
tensor([[1, 4, 9],
[16, 25, 36]])
（10）tensor转换为numpy数组：
x10=x9.numpy() #tensor转换为numpy数组
print(x10)
结果：
x10：
[[ 1 4 9]
[16 25 36]]
（11）tensor和numpy的同时修改：
x9.add_(1) #x9,x10共享同个内存，修改会同时修改
print(x9)
print(x10)
结果：
x9：
tensor([[2, 5, 10],
[17, 26, 37]])
x10：
[[ 2 5 10]
[17 26 37]]
（12）numpy数组转化为tensor：
x11=torch.from_numpy(x10) #将numpy数组转化为tensor
print(x11)
结果：
x11：
tensor([[2, 5, 10],
[17, 26, 37]])
3.tensor高级操作
（1）tensor的分离：
x12 = torch.rand(4, 8, 6)
y1,y2 = torch.split(x12, 2, dim=0) # 按照4这个维度去分，每大块包含2个小块
print(y1)
print(y2)
结果：
y1：
tensor([[[0.8918, 0.4364, 0.6511, 0.8244, 0.3984, 0.5426],
[0.2489, 0.4235, 0.4493, 0.6743, 0.9311, 0.8228],
[0.4199, 0.7178, 0.5587, 0.7832, 0.6576, 0.8264],
[0.5352, 0.9335, 0.2206, 0.4152, 0.3060, 0.9424],
[0.7289, 0.6198, 0.7418, 0.7039, 0.7047, 0.1248],
[0.3417, 0.7225, 0.9813, 0.8683, 0.2179, 0.7184],
[0.4864, 0.4811, 0.5051, 0.9715, 0.4999, 0.0637],
[0.9034, 0.0588, 0.7027, 0.5483, 0.6213, 0.6419]],
[[0.3414, 0.5122, 0.4260, 0.0428, 0.4218, 0.9041],
[0.5525, 0.1075, 0.8260, 0.3867, 0.3844, 0.3433],
[0.6687, 0.5185, 0.9450, 0.4325, 0.7354, 0.3118],
[0.9470, 0.9220, 0.8718, 0.7349, 0.3336, 0.9530],
[0.0961, 0.5187, 0.6525, 0.4687, 0.1800, 0.6127],
[0.5409, 0.0937, 0.7136, 0.8211, 0.4867, 0.9242],
[0.3465, 0.0219, 0.3852, 0.6576, 0.6840, 0.5362],
[0.4028, 0.5359, 0.8605, 0.4685, 0.5680, 0.7666]]])
y2：
tensor([[[0.6006, 0.4552, 0.4091, 0.0777, 0.1074, 0.9909],
[0.5459, 0.3995, 0.3266, 0.3446, 0.8427, 0.5824],
[0.4368, 0.9603, 0.3377, 0.9057, 0.2842, 0.8762],
[0.4042, 0.2222, 0.0052, 0.2218, 0.2483, 0.9986],
[0.4199, 0.4003, 0.2928, 0.6533, 0.8061, 0.1384],
[0.4629, 0.4535, 0.0572, 0.7204, 0.4043, 0.1096],
[0.2310, 0.2723, 0.3627, 0.4364, 0.7573, 0.5383],
[0.5036, 0.8291, 0.2171, 0.8663, 0.8845, 0.7858]],
[[0.5686, 0.7343, 0.0760, 0.1289, 0.9365, 0.9152],
[0.9237, 0.0922, 0.6559, 0.5756, 0.0279, 0.5999],
[0.0453, 0.0433, 0.6558, 0.0437, 0.4098, 0.6749],
[0.2907, 0.3682, 0.7137, 0.9764, 0.2512, 0.7986],
[0.7796, 0.1292, 0.2830, 0.0039, 0.0758, 0.6491],
[0.1322, 0.2943, 0.3130, 0.3497, 0.1905, 0.2106],
[0.2027, 0.2638, 0.6296, 0.1494, 0.3401, 0.6082],
[0.6496, 0.5802, 0.5183, 0.8513, 0.1938, 0.8242]]])
（2）对tensor求平均值：
x13=torch.randn(3) #生成一个一维的矩阵
print(x13)
x14=torch.mean(x13) #求平均值
print(x14)
结果：
x13：
tensor([-1.4499, 1.0884, -0.3338])
x14：
tensor(-0.2318)
（3）对tensor求平方：
x15=torch.pow(x13,2) #对每一分量求平方
print(x15)
结果：
x15：
tensor([2.1021, 1.1846, 0.1114])
（4）对tensor沿着维度平均值：
# 求平均值
a=torch.randn(4,4)
print(a)
c=torch.mean(a,dim=0,keepdim=True) #沿着维度0（行）求均值
print(c)
d=torch.mean(a,dim=1,keepdim=True) #沿着维度1（列）求均值
print(d)
e=torch.mean(a,dim=[0,1],keepdim=True) #求整个二维张量的平均值
print(e)
结果：
a：
tensor([[-0.3254, -1.6652, -0.0858, 0.4234],
[-1.1386, -0.8499, -2.5607, -1.0968],
[-1.5071, -0.7927, 0.7504, -0.7496],
[-1.5147, -1.0704, 0.0941, -0.4796]])
b：
tensor([[-1.1215, -1.0946, -0.4505, -0.4757]])
c：
tensor([[-0.4132],
[-1.4115],
[-0.5748],
[-0.7427]])
d：
tensor([[-0.7855]])
（5）对tensor增加维度：
z=torch.arange(0,6) #创建一维整型tensor，并不包含end
p=z.view(2,3) #改变tensor形状
print(p)
q=p.unsqueeze(0) #在第零维增加一个维度
print(q)
print(q.size())
结果：
p：
tensor([[0, 1, 2],
[3, 4, 5]])
q：
tensor([[[0, 1, 2],
[3, 4, 5]]])
torch.Size([1, 2, 3])
（5）对tensor去掉维度：
t=q.squeeze(0) #去掉第零维度（只能去掉维度为1的维度）
print(t)
print(t.size())
结果：
t：
tensor([[0, 1, 2],
[3, 4, 5]])
torch.Size([2, 3])
4.Tensor的切片操作
（1）切片的二维操作：
import torch
a=torch.Tensor([[0,0,0],[-1,1,0],[2,3,4]])
print(a)
b=a[:,0] #取二维tensor中第1维（列）第0列的所有数据。
print(b)
c=a[:,2] #取二维tensor中第1维（列）第2列的所有数据。
print(c)
d=a[:,0:2] #取二维tensor第1维（列）第0列到第1列的所有数据（不含末尾）。
print(d)
结果：
a：
tensor([[0., 0., 0.],
[-1., 1., 0.],
[2., 3., 4.]])
b：
tensor([ 0., -1., 2.])
c：
tensor([0., 0., 4.])
d：
tensor([[ 0., 0.],
[-1., 1.],
[ 2., 3.]])
（2）切片的三维操作：
e=torch.Tensor([[[0,0,0],[-1,1,0],[2,3,4]],[[1,-2,0],[-1,3,0],[2,1,4]]])
print(e)
f=e[:,:,0] #取三维tensor中第2维（列）第0列的所有数据。
print(f)
g=e[:,:,0:2] #取三维tensor中第2维（列）第0列到第1列的所有数据（不含末尾）。
print(g)
结果：
e：
tensor([[[0., 0., 0.],
[-1., 1., 0.],
[2., 3., 4.]],
[[1., -2., 0.],
[-1., 3., 0.],
[ 2., 1., 4.]]])
f：
tensor([[0., -1., 2.],
[1., -1., 2.]])
g：
tensor([[[0., 0.],
[-1., 1.],
[ 2., 3.]],
[[1., -2.],
[-1., 3.],
[2., 1.]]])
（3）切片的四维操作：
h=torch.Tensor([[[[0,0,0],[-1,1,0],[2,3,4]],[[1,-2,0],[-1,3,0],[2,1,4]]]])
print(h)
i=h[:,:,:,0] #取四维tensor中第3维（列）第0列的所有数据。
print(i)
j=h[:,:,:,0:2] #取四维tensor中第3维（列）第0列到第1列的所有数据（不含末尾）。
print(j)
k=h[:,:,0,:] #取四维tensor中两个channel的第0行。
print(k)
l=h[:,:,0:2,:] #取四维tensor中两个channel的第0行和第1行。
print(l)
m=h[:,:,1:3,:] #取四维tensor中两个channel的第1行和第2行。
print(m)
n=m-l #两个4维tensor求差。
print(n)
o=torch.pow(n,2) #对tensor中每一个数据求平方.
print(o)
p=o.sum() #将tensor中所有数据求和.
print(p)
结果：
h：
tensor([[[[0., 0., 0.],
[-1., 1., 0.],
[2., 3., 4.]],
[[1., -2., 0.],
[-1., 3., 0.],
[2., 1., 4.]]]])
i：
tensor([[[0., -1., 2.],
[1., -1., 2.]]])
j：
tensor([[[[0., 0.],
[-1., 1.],
[2., 3.]],
[[1., -2.],
[-1., 3.],
[2., 1.]]]])
k：
tensor([[[0., 0., 0.],
[1., -2., 0.]]])
l：
tensor([[[[0., 0., 0.],
[-1., 1., 0.]],
[[1., -2., 0.],
[-1., 3., 0.]]]])
m：
tensor([[[[-1., 1., 0.],
[ 2., 3., 4.]],
[[-1., 3., 0.],
[ 2., 1., 4.]]]])
n：
tensor([[[[-1., 1., 0.],
[3., 2., 4.]],
[[-2., 5., 0.],
[3., -2., 4.]]]])
o：
tensor([[[[1., 1., 0.],
[9., 4., 16.]],
[[4., 25., 0.],
[9., 4., 16.]]]])
p：
tensor(89.)
2078
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
