Pytorch实战——2、初探张量

🍅 写在前面
👨‍🎓 博主介绍：大家好，这里是hyk写算法了吗，一枚致力于学习算法和人工智能领域的小菜鸟。
🔎个人主页：主页链接（欢迎各位大佬光临指导）
⭐️近期专栏：机器学习与深度学习
                       LeetCode算法实例
                       Pytorch实战

张量的创建

• 张量（Tensors）类似于NumPy的ndarrays（点NumPy实践了解），但张量可以在GPU上进行计算。
  所以从本质上来说，PyTorch是一个处理张量的库。一个张量是一个数字、向量、矩阵或任何n维数组。
• 下面分别展示了0维张量到n位张量：
  
  

一、直接创建

1、

torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)

功能：从data创建tensor

• data: 数据，可以是list，numpy
• dtype: 数据类型，默认与data的一致
• device: 所在设备，cuda/cpu
• requires_grad: 是否需要梯度
• pin_memory: 是否存于锁页内存

2、

torch.from_numpy(ndarray)

功能：从numpy创建tensor
注意事项：从torch.from_numpy创建的tensor于原ndarray共享内存，当修改其中一个数据，另一个也将会被改动。

二、依据数值创建

1、

torch.zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

功能：依size创建全0张量

• size: 张量的形状，如(3, 3)、(3, 224, 224)

• out: 输出的张量

• layout: 内存中布局形式，有strided, sparse_coo等

• device: 所在设备，gpu/cpu

• requires_grad: 是否需要梯度
  
  2、

torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False)

功能：依input形状创建全0张量

• input: 创建与input同形状的全0张量
• dtype: 数据类型
• layout: 内存中布局形式
  
  3、

torch.ones(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

4、

torch.ones_like(input, dtype=None, layout=None, device=None, requires_grad=False)

功能：依input形状创建全1张量

• size: 张量的形状，如(3, 3)、(3, 224, 224)
• dtype: 数据类型
• layout: 内存中布局形式
• device: 所在设备，gpu/cpu
• requires_grad: 是否需要梯度
  
  5、

torch.full(size, fill_value, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

6、

torch.full_like(input, dtype=None, layout=torch.strided, device=None, requires_grad=False)

功能: 依input形状创建指定数据的张量

• size: 张量的形状，如(3, 3)
• fill_value: 张量的值
  7、

torch.arange(start=0, end. step=1, out=None, dtype=None, -	layout=torch.strided, device=None, requires_grad=False)

功能：创建等差的1维张量

• start: 数列起始值
• end: 数列“结束值”
• step: 数列公差，默认为1

8、

torch.linspace(start, end, steps=100, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

功能：创建均分的1维张量

• start: 数列起始值
• end: 数列结束值
• steps: 数列长度
  

三、依概率分布创建张量

1、

torch.normal(mean, std, out=None)

功能：生成正态分布（高斯分布）

• mean: 均值
• std: 标准差
  四种模式：
  mean为标量，std为标量
  mean为标量，std为张量
  mean为张量，std为标量
  mean为张量，std为张量
  
  2、

torch.randn(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

功能：生成标准正态分布

• size: 张量的形状
  
  3、

torch.rand(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

功能：在区间 生成均匀分布

4、

torch.randint(low=0, high, size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

功能： 生成整数均匀分布
= size：张量的形状

5、

torch.randperm(n, out=None, dtype=torch.int64, layout=torch.strided, device=None, requires_grad=False)

功能：生成从0到n-1的随机排列

• n：张量的长度
  

张量的操作

一、张量拼接与切分

1、

torch.cat(tensors, dim=0, out=None)

功能：将张量按维度dim进行拼接

• tensors：张量序列
• dim：要拼接的维度
  
  2、

torch.stack(tensors, dim=0, out=None)

功能：在新创建的维度dim上进行拼接

• tensors：张量序列
• dim：要拼接的维度

3、

torch.chunk(input, chunks, dim=0)

功能：将张量按维度dim进行平均切分
返回值：张量列表
注意事项：若不能整除，最后一份张量小于其他张量

• input：要切分的张量
• chunks：要切分的份数
• dim：要切分的维度
  4、

torch.split(tensor, split_size_or_sections, dim=0)

功能：将张量按维度dim进行切分
返回值：张量列表

• tensor：要切分的张量
• split_size_or_sections：为int时，表示每一份的长度；为list时，按list元素切分
• dim：要切分的维度
  

二、张量索引

1、

torch.index_select(input, dim, index, out=None)

功能：在维度dim上，按index索引数据
返回值：依index索引数据拼接的张量

• index：要索引的张量
  = dim：要索引的维度
• index：要索引数据的序号
  
  2、

torch.masked_select(input, mask, out=None)

功能：按mask中的True进行索引
返回值：一维张量

• input：要索引的张量
• mask：与input同形状的布尔类型张量
  

三、张量变换

1、

torch.reshape(input, shape)

功能：变换张量形状
注意事项：当张量在内存中是连续时，新张量与input共享数据内存

• input：要变换的张量
• shape：新张量的形状
  
  2、

torch.transpose(input, dim0, dim1)

功能：交换张量的两个维度

• input：要交换的张量
• dim0：要交换的维度
• dim1：要交换的维度
  
  3、

torch.t(input)

功能：2维张量转置，对矩阵而言，等价于torch.transpose(input, 0, 1)

4、

torch.squeeze(input, dim=None, out=None)

功能：压缩长度为1的维度（轴）

• dim：若为None，移除所有长度为1的轴；若指定维度，当且仅当该轴长度为1时，可以被移除
  
  5、

torch.unsqueeze(input, dim, out=None)

功能：依据dim扩展维度

• dim：扩展的维度