Pytorch中的张量简介与创建

1. Tensor概念

张量是一个多维师叔祖，它是标量、向量、矩阵的高维拓展

2.Tensor创建一：直接创建

torch.tensor(
	data,
	datype = None,
	device = None,
	requires_grad = False,
	pin_memory = False)

torch.tensor()
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 : 是否需要梯度
• pin_memory : 是否存在于锁页内存

3.Tensor创建二：依据数值创建

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。

3.1 torch.zeros()

功能：依size创建全0张量

torch.zeros(
	*size,
	out = None,
	dtype = None,
	layout = torch.strided,
	device = None,
	requires_grad = False
	)

• size: 张量的形状，如（3，3）、（3，224，224）
• out : 输出的张量
• layout ： 内存中的布局形式，有 strided，sparse_coo等
• device : 所在设备，gpu/cpu

3.2 torch.zeros_like()

功能 ： 依input形状创建全0张量

torch.zeros_like(
	input,
	dtype = None,
	layput = None,
	device = None,
	requies_grad = False)

• input ： 创建与input同形状的全0张量
• dtype：数据类型
• layout：内存中布局形式

3.3 torch.ones()

torch.ones(
	*size,
	out = None,
	dtype = None,
	layout = torch.strided,
	device = None,
	requires_grad = False
	)

3.4 torch.ones_like()

torch.ones_like(
	input,
	dtype = None,
	layput = None,
	device = None,
	requies_grad = False)

3.5 torch.full()

功能： 自定义数值填充

3.6 torch.full_like()

功能： 自定义数值填充

3.7 torch.arange()

功能： 创建等差的1维张量
注意事项： 数值区间为 [start,end)

• start: 数列起始值
• end: 数列结束值
• step：数列公差，默认为1

3.8 torch.linspace()

功能：创建均分的1维张量
注意事项：数值区间 [start,end]，均分间隔 = （start - end）/steps

• start : 数列起始值
• end : 数列结束值
• steps: 数列长度

3.9 torch.logspace()

功能 ： 创建对数均分的1维张量
注意事项：长度为 steps，底为space

• start : 数列起始值
• end : 数列结束值
• steps: 数列长度
• base: 对数函数的底，默认为10

3.10 torch.eye()

功能： 创建单位对角矩阵（2维张量）
注意事项： 默认为方阵

• m : 矩阵行数
• n : 矩阵列数

4.Tensor创建三：依据概率创建

4.1 torch.normal()

功能 ： 生成正态分布（高斯分布）

• mean : 均值
• std : 标准差

4.2 torch.rand()

4.3 torch.rand_like()

功能： 在区间 [0,1)上，生成均匀分布

4.4 torch.randint()

4.5 torch.randint_lie()

功能：区间 [low，high)生成整数均匀分布