PyTorch | 创建 Tensor

1、从 numpy 创建 tensor

• $torch.from\_numpy(numpy\_array)$

  import numpy as np
  import torch
  from IPython.core.interactiveshell import InteractiveShell
  InteractiveShell.ast_node_interactivity = "all"
  
  a = np.array([2,3.3])
  torch.from_numpy(a)
  o = np.ones(3)
  torch.from_numpy(o)
  

  
• $torch.as\_tensor(numpy\_array)$
  
• 将 $tensor$ 转换成 $numpy$

  import numpy as np
  import torch
  
  x = torch.rand(3,3)
  n = x.numpy()
  print(type(n))
  print(type(n) is np.ndarray)
  

  

2、从 List 创建 tensor

import torch
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"

torch.tensor([1,2.3]) # 小写tensor接收指定数据
torch.Tensor(3) # 大写Tensor可以接收指定维度
torch.Tensor([1,2.3]) # 大写Tensor可以接收List数据，不建议使用
torch.tensor([[1,2.3],[4,5.6]])
torch.FloatTensor([1,2.3])# 不建议使用

3、创建指定值的 tensor

• 创建值全为 $1$ 的 $tensor$：$torch.ones(dims)$
• 创建值全为 $0$ 的 $tensor$：$torch.zeros(dims)$
• 创建值全为未初始化数据的 $tensor$：$torch.empty(dims)$
• 创建 $n$ 行 $m$ 列对角矩阵：$torch.eye(n,m)$
• 创建 $size$ 大小，值全为 $value$ 的 $tensor$：$torch.full(size,value)$

  import torch
  from IPython.core.interactiveshell import InteractiveShell
  InteractiveShell.ast_node_interactivity = "all"
  
  torch.ones(3,4) # 创建值全为1的tensor
  torch.zeros(3,4) # 创建值全为0的tensor
  torch.empty(4,5) # 创建值全为未初始化数据的tensor
  torch.eye(4,4)  # 创建4*4的对角矩阵
  torch.full((3,4), 3.14)  # 创建3*4值为3.14的tensor
  

  

4、从 tensor 创建 tensor（torch.**_like）

• 保留原始 $tensor$ 的形状，改变数据。
• 填充数据全为 $1$：$torch.ones\_like(x\_data)$
• 填充数据全为 $0$：$torch.zeros\_like(x\_data)$
• 填充未初始化数据：$torch.empty\_like(x\_data)$
• $0-1$ 随机填充数据：$torch.rand\_like(x\_data)$
• 标准正态随机填充：$torch.randn\_like(x\_data)$
• 填充 $[low,high)$ 范围整数：$torch.randint\_like(x\_data,low,high)$
• 改变数据类型，添加参数 $dtype：torch.rand\_like(x\_data,dtype=float)$

  import torch
  from IPython.core.interactiveshell import InteractiveShell
  InteractiveShell.ast_node_interactivity = "all"
  
  a = torch.randn(3,5)
  torch.ones_like(a)
  torch.empty_like(a)
  torch.rand_like(a)
  torch.randn_like(a)
  torch.randint_like(a,1,10)
  torch.rand_like(a,dtype=torch.float64)
  

  

5、生成未初始化数据

import torch
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"

torch.empty(2,3)
torch.FloatTensor(3,4)
torch.IntTensor(3,4,5)

6、设置默认 Tensor

• $Tensor$ 默认为 $torch.FloatTensor$，可以使用set_default_tensor_type方法修改默认 $Tensor$。

  import torch
  from IPython.core.interactiveshell import InteractiveShell
  InteractiveShell.ast_node_interactivity = "all"
  
  torch.Tensor(3,4).type()
  torch.set_default_tensor_type(torch.DoubleTensor)
  torch.Tensor(3,4).type()
  

  

7、随机初始化

• $torch.rand(data)：$包含了从区间 $[0,1)$ 的均匀分布中抽取的一组随机数。

• $torch.randn(3)：$包含了从标准正态分布（均值为 $0$，方差为 $1$，即高斯白噪声）中抽取的 $3$ 个随机数。

• $torch.randint(low,high,size)：$包含了从区间 $[low,high)$ 中抽取的一组随机数，形状由参数 $size$ 决定。

• $torch.randperm(n)：$返回 $n$ 个从 $0$ 到 $n-1$ 的随机整数。

• $torch.manual\_seed(int)：$

  • torch.manual_seed(int)：为 $CPU$ 设置种子用于生成随机数，以使得每次运行 .py 文件结果是确定的，而不是每次随机函数生成的结果一样。
  • torch.cuda.manual_seed(int)：为当前 $GPU$ 设置随机种子；如果使用多个 $GPU$，应该使用torch.cuda.manual_seed_all(int)为所有的 $GPU$ 设置种子。

  python shuffle()方法	pytorch实现shuffle()功能
  shuffle()方法将序列的所有元素随机排序	torch中没有random.shuffle() 使用torch.randperm(n)实现shuffle()功能
  示例： import random list = [20, 16, 10, 5] print("排序前列表 : ", list) random.shuffle(list) print("排序后列表 : ", list)	示例： import torch idx = torch.randperm(3) a = torch.Tensor(4,2) print(a) print(idx,idx.type()) print(a[idx])
  结果：	结果：

• $torch.normal(A,B,size)：$A表示均值，B表示标准差，形状由参数 $size$ 决定。

  import torch
  from IPython.core.interactiveshell import InteractiveShell
  InteractiveShell.ast_node_interactivity = "all"
  
  torch.rand(3) # 返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数
  torch.rand(3,3)
  torch.randn(3) # 返回一个张量，包含了从标准正态分布（均值为0，方差为1，即高斯白噪声）中抽取的一组随机数
  torch.randn(3,3)
  torch.randint(1,10,[3,4]) # 返回一个张量，包含了从指定范围中抽取的一组随机数，形状由参数指定
  torch.randperm(10) # 返回10个从0到9的随机整数
  

  

8、创建等量序列

• $torch.arange(start,end,step)：$返回以 $start$ 为起点，$end$ 为终点（不包含），以 $step$ 为步长的张量。
• $torch.linspace(start,end,steps)：$返回包含在起点 $start$ 和终点 $end$ ，并在区间均匀分布的总计 $steps$ 个点。
• $torch.logspace(start,end,steps)：$返回包含 $10^{start}$ 为起始值，$10^{end}$ 终点，并在区间均匀分布的总计 $steps$ 个点。

  import torch
  from IPython.core.interactiveshell import InteractiveShell
  InteractiveShell.ast_node_interactivity = "all"
  
  torch.arange(1,10,2)
  torch.linspace(1, 10, 7)
  torch.logspace(1,10,5)
  

  

9、判断是否为 tensor

• $torch.is\_tensor(obj)：$如果 $obj$ 是一个 $pytorch$ 张量，则返回 $True$。
  

10、torch.tensor 与 torch.Tensor 的区别

1. $torch.tensor$ 是从数据中推断数据类型，而 $torch.Tensor$ 是 $torch.empty$（会随机产生垃圾数组，详见实例）和 $torch.tensor$ 之间的一种混合。但是，当传入数据时，$torch.Tensor$ 使用全局默认 $dtype(FloatTensor)$；
2. $torch.tensor(1)$ 返回一个固定值 $1$，而 $torch.Tensor(1)$ 返回一个大小为 $1$ 的张量，它是初始化的随机值。