pytorch——基础

https://www.jianshu.com/p/7dbfc7076e5a

常数初始化：

• torch.empty(size)返回形状为size的空tensor
• torch.zeros(size)全部是0的tensor
• torch.zeros_like(input)返回跟input的tensor一个size的全零tensor
• torch.ones(size)全部是1的tensor
• torch.ones_like(input)返回跟input的tensor一个size的全一tensor
• torch.arange(start=0, end, step=1)返回一个从start到end的序列，可以只输入一个end参数，就跟python的range()一样了。实际上PyTorch也有range()，但是这个要被废掉了，替换成arange了
• torch.full(size, fill_value)这个有时候比较方便，把fill_value这个数字变成size形状的张量

 随机抽样（随机初始化）：

• torch.rand(size) [0,1)内的均匀分布随机数
• torch.rand_like(input)返回跟input的tensor一样size的0-1随机数
• torch.randn(size)返回标准正太分布N(0,1)的随机数
• torch.normal(mean, std, out=None)正态分布。这里注意，mean和std都是tensor，返回的形状由mean和std的形状决定，一般要求两者形状一样。如果，mean缺失，则默认为均值0，如果std缺失，则默认标准差为1.
• https://pytorch.org/docs/stable/torch.html#random-sampling

 二、基本操作、运算 Basic operations

1.tensor的切片、合并、变形、抽取操作

(Indexing, Slicing, Joining, Mutating)

torch.cat(seq, dim=0, out=None),把一堆tensor丢进去，按照dim指定的维度拼接、堆叠在一起.

torch.chunk(tensor, chunks, dim=0)把tensor切成块，数量由chunks指定

• 切块还有torch.split(tensor, split_size_or_sections, dim=0)具体区别大家自行查阅文档
• 按index选择：torch.index_select(input, dim, index, out=None)
• 按mask选择：torch.masked_select(input, mask, out=None)
• 经常会使用的“压扁”函数：torch.squeeze(input),压缩成1维。注意，压缩后的tensor和原来的tensor共享地址
• 改变形状：torch.reshape(input, shape)以及tensor.view(shape).前者是把tensor作为函数的输入，后者是任何tensor的函数。实际上，二者的返回值，都只是让我们从另一种视角看某个tensor，所以不会改变本来的形状，除非你把结果又赋值给原来的tensor。下面给一个例子对比二者的用法：