Pytorch学习之旅(0)——张量的简介及创建

一、张量的简介

张量(tensor)，就是一个多维数组，它是标量、向量、矩阵的高维拓展。

torch.Tensor包含的数据：

data：被包装的Tensor.
dtype：数据类型，如torch.FloatTensor、torch.cuda.FloatTensor.
shape：形状.
device：所在设备，GPU/CPU,是加速的关键.
require_grad：指示是否需要梯度.
grad：data的梯度.
grad_fn：创建Tensor的Function，是自动求导的关键.
is_leaf：指示是否是叶子节点.

二、张量的创建

1、直接创建

方式一：torch.tensor()：从data创建tensor

torch.tensor(data,                  => 数据，可以是list、numpy
             dtype = None,          => 数据类型，默认和data相同
             device = None,         => 所在设备，cuda/cpu
             requires_grad = None,  => 是否需要梯度
             pin_memory = False)    => 是否存于锁页内存

方式二：torch.from_numpy(ndarray)：从numpy创建tensor。

注意：从torch.from_numpy创建的tensor与原ndarry共享内存。

2、间接创建

方式一：torch.zeros():全0张量

torch.zeros(*size,                  => 张量的形状，如(3, 3)
            out = None,             => 输出的张量
            dtype = None,           => 内存数据类型
            layout = torch.strided, => 内存中布局形式，有strided,sparse_coo等
            device = None,          => 所在设备，gpu/cpu
            requires_grad  =False)  => 是否需要梯度

方式二：torch.full():全value张量

torch.full(*size,                   => 张量的形状，如(3, 3)
            fill_value,             => 填充值
            out = None,             => 输出的张量
            dtype = None,           => 内存数据类型
            layout = torch.strided, => 内存中布局形式，有strided,sparse_coo等
            device = None,          => 所在设备，gpu/cpu
            requires_grad  =False)  => 是否需要梯度

方式三：torch.arange():一维等差张量

torch.arange(start = 0,             => 数列起始值
             end,                   => 数列“结束值”
             step = 1,              => 数列公差，默认为1
             out = None,
             dtype = None,
             layout = torch.strided,
             device = None,
             requires_grad = False)
功能：创建等差的一维张量
注：数值区间为[start, end)

方式四：torch.linspace():一维张量

torch.linspace(start,                 => 数列起始值
               end,                   => 数列结束值
               step = 100,            => 数列长度(元素个数)
               out = None,
               dtype = None,
               layout = torch.strided,
               device = None,
               requires_grad = False)
功能：创建均分的一维向量
数值区间为[start, end]

方式五：torch.eye():对角矩阵

torch.eye(n,          => 矩阵行数
          m = None,   => 矩阵列数
          out = None,
          dtype = None,
          layout = torch.strided,
          device = None,
          requires_grad = False)

方式六：torch.normal():正态分布张量

torch.normal(mean,        => 均值
             std,         => 标准差
             out = None)
四种模式：mean为标/张量，std为标/张量