01张量的介绍与创建

一、张量的介绍

1.1 张量(Tensor)是什么

张量是一个多维数组，它是标量、向量、矩阵的高维扩展

1.2 Tensor与Variable

Variable是torch.autograd中的数据类型，主要用于封装Tensor进行自动求导

• data : 被包装的Tensor
• grad : data的梯度
• grad_ fn : 创建Tensor的Function,是自动求导的关键
• requires_grad : 指示是否需要梯度
• is_ leaf : 指示是否是叶子结点（张量）

PyTorch0.4.0版开始, Variable并入Tensor

• dtype: 张量的数据类型, 如torch.FloatTensor, torch.cuda.FloatTensor
• shape: 张量的形状, 如(64, 3, 224, 224)
• device: 张量所在设备, GPU/CPU,是加速的关键

常用的张量数据类型：

二、张量的创建

2.1 直接创建

2.1.1 torch.tensor()

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: 是否需要计算梯度
• pin_memory: 是否存于锁页内存，与转换效率有关

# 通过torch.tensor()创建
arr = np.ones((3, 3))
print("ndarray的数据类型：", arr.dtype)
t = torch.tensor(arr, device='cuda')
# t = torch.tensor(arr)
print(t)

2.1.2 torch.from_numpy(ndarray)

功能: 从numpy创建tensor
注意事项: 从torch.from_numpy创建的tensor与原ndarray共享内存, 当修改其中一个的数据,另外一个也将会被改动

# 通过torch.from_numpy创建张量
arr = np.array([[1, 2, 3], [4, 5, 6]])
t = torch.from_numpy(arr)
print("numpy array: ", arr)
print("tensor : ", t)

print("\n修改arr")
arr[0, 0] = 0
print("numpy array: ", arr)
print("tensor : "