pytorch tensor_自用Pytorch学习笔记(四:创建tensor)(基于1.1版本)

创建tensor的方法

1、从numpy数组转换而来

np.array([2,3,3])

torch.from_numpy(a)

2、从list导入，将list元素作为参数传入

注意点：tensor()的参数为现有数据，而Tensor()的参数为表示shape的元组，也可以接收现有数据，如c=torch.FloatTensor([2.3,1.36])。

Tensor的默认类型是FloatTensor，如果想改变，可以使用torch.set_default_tensor_type(torch.DouubleTensor)改变

使用随机值初始化tensor

1、torch.rand：随机值在[0,1]

2、torch.rand_like：接收一个tensor，用该tensor来生成随机值

3、torch.randint：需要指定最小值和最大值，[min,max) 如torch.randint(1,10,[3,3])

4、torch.randn(3,3):产生3x3的服从标准高斯分布的元素值

5、torch.normal():自定义的正太分布，返回一个张量，包含从给定参数means,std的离散正态分布中抽取随机数。 均值means是一个张量，包含每个输出元素相关的正态分布的均值。 std是一个张量，包含每个输出元素相关的正态分布的标准差。 均值和标准差的形状不须匹配，但每个张量的元素个数须相同。

如果想要tensor的每个元素值均相同，那么可以使用torch.full()

torch.arange(0,10,x)：生成从0到10(不含)，间隔为x的数组,若没有x，则x默认为1

torch.linespace(0,10,steps=x):把[0,10]（包含10）等分为x份。

torch.randperm(n, out=None):

给定参数n，返回一个从0到n-1的随机整数排列

使用randperm可以生成一个从0开始的、已经打乱的连续索引Tensor，用它可以对其它Tensor做shuffle。特别是在有几个需要保持一致顺序的Tensor时，用相同的索引Tensor就能保证shuffle之后的Tensor在那个维度上的顺序一致了。

import torch

# 两个Tensor的shape[0]是相同的,都是3
a = torch.rand(3, 1)
b = torch.rand(3, 1)
print(a, b, sep='n')
print("-" * 20)

# 制造一个[0,3)的索引序列
idx = torch.randperm(3)
print(idx)
print("-" * 20)

# 给a,b做shuffle,保证第一个维度在shuffle后的对应关系不变
a_sf = a[idx]
b_sf = b[idx]
print(a_sf, b_sf, sep='n')

输出：

tensor([[0.2253],
        [0.6864],
        [0.9565]])
tensor([[0.7317],
        [0.0779],
        [0.3842]])
--------------------
tensor([2, 1, 0])
--------------------
tensor([[0.9565],
        [0.6864],
        [0.2253]])
tensor([[0.3842],
        [0.0779],
        [0.7317]])

############################################

torch.index_select:按具体下标索引数据

torch.view:调整数据尺寸

torch.unsqueeze:增加维度

torch.squeeze:减少维度

torch.expand:

torch.repeat:

permute可以对任意高维矩阵进行转置,但没有 torch.permute() 这个调用方式， 只能 Tensor.permute()。

transpose只能操作2D矩阵的转置。有两种调用方式。

连续使用transpose也可实现permute的效果。