【PyTorch】1.2 张量简介及创建

目录

1.张量（Tensor）的概念

1.1Pytorch中的张量 

1.2Tensor与Variable

2.张量的创建 

2.1直接创建

2.1.1通过torch.tensor()创建​

2.1.2通过torch.from_numpy(ndarray)创建​

2.2依据数值创建

2.2.1通过torch.zeros()创建​

2.2.2通过torch.zeros_like()创建​

2.2.3通过torch.ones()和torch.ones_like()创建

2.2.4通过torch.full()和torch.full_like()创建

2.2.5通过torch.arange()创建

2.2.6通过torch.linspace()创建

2.2.7通过torch.logspace()创建

2.2.8通过torch.eye()创建

2.3依据概率分布创建

2.3.1通过torch.normal()创建

2.3.2通过torch.randn()和torch.randn_like()创建

2.3.3其他方法

---

本节简介

介绍pytorch中的数据结构——Tensor，Tensor是PyTorch中最基础的概念，其参与了整个运算过程，因此本节将介绍张量的概念和属性，如data, device, dtype等，并介绍tensor的基本创建方法，如直接创建、依数值创建和依概率分布创建等。

1.张量（Tensor）的概念

1.1Pytorch中的张量 

在数学概念中，张量表示多维数组，在Pytorch中，张量还是Pytorch自动求导的关键。

1.2Tensor与Variable

在torch0.4.0之前，Variable是特别重要的数据类型，在torch0.4.0之后已经并入到Tensor中。 

2.张量的创建 

2.1直接创建

2.1.1通过torch.tensor()创建

测试代码 

import torch
import numpy as np

# ===============================  example 1 ===============================
# 通过torch.tensor创建张量
#
flag = True
# flag = False
if flag:
    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)

输出

ndarray的数据类型： float64
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)

如果将张量放到GPU上，可以将device（所在设备）设置为cuda

  t = torch.tensor(arr, device='cuda')

输出

ndarray的数据类型： float64
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], device='cuda:0', dtype=torch.float64)# 只有一个GPU所以显示为0

2.1.2通过torch.from_numpy(ndarray)创建

测试代码

# ===============================  example 2 ===============================
# 通过torch.from_numpy创建张量
flag = True
# flag = False
if flag:
    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 : ", t)

    print("\n修改tensor")
    t[0, 0] = -1
    print("numpy array: ", arr)
    print("tensor : ", t)

输出

修改tensor
numpy array:  [[-1  2  3]
 [ 4  5  6]]
tensor :  tensor([[-1,  2,  3],
        [ 4,  5,  6]], dtype=torch.int32)

2.2依据数值创建

2.2.1通过torch.zeros()创建

测试代码

# ===============================  example 3 ===============================
# 通过torch.zeros创建张量
flag = True
# flag = False
if flag:
    out_t = torch.tensor([1])

    t = torch.zeros((3, 3), out=out_t) # out的作用：将torch.zeros(3, 3)的值赋值给out_t

    print(t, '\n', out_t)
    print(id(t), id(out_t), id(t) == id(out_t)) # 输出t和out_t的内存地址并判断是否一致

输出

tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]]) 
 tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])
1564816705240 1564816705240 True

2.2.2通过torch.zeros_like()创建

2.2.3通过torch.ones()和torch.ones_like()创建

方法和创建全0张量一样，将zeros改为ones即可 

2.2.4通过torch.full()和torch.full_like()创建

 测试代码

# ===============================  exmaple 4 ===============================
# 通过torch.full创建全1张量
flag = True
#flag = False
if flag:
    t = torch.full((3, 3), 1) # 创建3*3的全1张量
    print(t)

输出

tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])

2.2.5通过torch.arange()创建

 这里创建的是前闭后开的数值区间。

测试代码

# ===============================  exmaple 5 ===============================
# 通过torch.arange创建等差数列张量
flag = True
#flag = False
if flag:
    t = torch.arange(2, 10, 2) # 前闭后开，取不到10
    print(t)

输出

tensor([2, 4, 6, 8])

2.2.6通过torch.linspace()创建

 测试代码

# ===============================  exmaple 6 ===============================
# 通过torch.linspace创建均分数列张量
flag = True
#flag = False
if flag:
    # t = torch.linspace(2, 10, 5)
    t = torch.linspace(2, 10, 6)
    print(t)

输出

tensor([ 2.0000,  3.6000,  5.2000,  6.8000,  8.4000, 10.0000])

2.2.7通过torch.logspace()创建

2.2.8通过torch.eye()创建

对角矩阵：对角线上值均为1的矩阵，对角矩阵为方阵。

由于对角矩阵为方阵，故m的数值一般不用设置。

2.3依据概率分布创建

2.3.1通过torch.normal()创建

 测试代码

# ===============================  exmaple 7 ===============================
# 通过torch.normal创建正态分布张量
flag = True
# flag = False
if flag:
    
    # mean：张量 std: 张量
    print("1. mean：张量 std: 张量")
    mean = torch.arange(1, 5, dtype=torch.float)
    std = torch.arange(1, 5, dtype=torch.float)
    t_normal = torch.normal(mean, std)
    print("mean:{}\nstd:{}".format(mean, std))
    print(t_normal)

    # mean：标量 std: 标量
    print("2. mean：标量 std: 标量")
    t_normal = torch.normal(0., 1., size=(4,))
    print(t_normal)

    # mean：张量 std: 标量
    print("3. mean：张量 std: 标量")
    mean = torch.arange(1, 5, dtype=torch.float)
    std = 1
    t_normal = torch.normal(mean, std)
    print("mean:{}\nstd:{}".format(mean, std))
    print(t_normal)
    
    # mean：标量 std: 张量
    print("4. mean：标量 std: 张量")
    mean = 0
    std = torch.arange(1, 5, dtype=torch.float)
    t_normal = torch.normal(mean, std)
    print("mean:{}\nstd:{}".format(mean, std))
    print(t_normal)    
    

输出

1. mean：张量 std: 张量
mean:tensor([1., 2., 3., 4.])
std:tensor([1., 2., 3., 4.])
tensor([1.6614, 2.5338, 3.1850, 6.4853])
2. mean：标量 std: 标量
tensor([-0.4519, -0.1661, -1.5228,  0.3817])
3. mean：张量 std: 标量
mean:tensor([1., 2., 3., 4.])
std:1
tensor([-0.0276,  1.4369,  2.1077,  3.9417])
4. mean：标量 std: 张量
mean:0
std:tensor([1., 2., 3., 4.])
tensor([-0.1955, -1.9313,  1.2672,  1.0693])

2.3.2通过torch.randn()和torch.randn_like()创建

 n表示normal（标准），标准正态分布：mean为0，std为1。

2.3.3其他方法