1. 从其他地方引入
# 从numpy中引入
a = np.array(2,3)
torch.from_numpy(a)
# 从list中引入
torch.tensor([2, 3.2])
2. Tensor的大小写区分
torch.tensor([2,3.2])
torch.Tensor(2)
# tensor小写的是接受现有的数据
# Tensor大写时表示向量的维度,大写也可以接受现有的数据,但是数据必须用[]括住表示为list数据
3.未初始化数据
当程序中出现torch.NaN 或者 torch.infinity 则需要考虑是否有未初始化的数据。
torch.empty(1)
torch.IntTensor(2,3) #随机生成一个2*3的整型类型的向量
4. 设置默认的Tensor类型
torch.Tensor([1.2,3]).type()
# 'torch.FloatTensor'
torch.set_default_tensor_type(torch.DoubleTensor)
torch.Tensor([1.2,3]).type()
# 'torch,DoubleTensor'
5. 生成相似矩阵
a = torch,rand(3,3)
torch.rand_like(a)
a = zeros(3,3)
torch.ones_like(a) # a为全零的方阵,生成一个全一的类型和a相同的方阵
6. 生成指定格式的矩阵
torch.randint(1,10,[3,3])
# 生成最小值为1 最大值为10 的3*3的方阵
torch.normal(mean=torch.full([10],0.),std=torch.arange(1,0,-0.1))
# 生成一个均值为全0的1*10维矩阵,标准值为【1,0.9,0.8,...,0.1]的矩阵
# 如果full后面的0没小数点,那么可能会出现 RuntimeError: "normal_kernel_cpu" not implemented for 'Long'的错误
torch.full([2,3],7)
# 生成指定大小 元素全为7的矩阵
torch.full([],7)
7. 生成有间隔的数据
torch.arange(0,10) # 无间隔
torch.arange(0,10,2) # 间隔为2
torch.linspace(0,10,steps=3)
torch.linspace(0,10,steps=4)
torch.logspace(0,-1,steps=10) # 1 ~0.1
torch.logspace(0,1,steps=10) # 1 ~ 10
# 生成方阵等
torch.ones(3,3)
torch.zeros(3,3)
torch.eye(3,4)
torch.randperm(10) #将0-9的数字打散