pytorch 学习笔记（一）张量创建

版本为0.4.0以上才行
本节笔记对应视频

0.pytorch下张量的属性

1.通过numpy/list创建

"""张量的创建方法"""


import torch
import numpy as np

flag = True

if flag:
    arr = np.ones((3,3))
    print(arr)
    print("*"*50)
    print(arr.dtype)

    t = torch.tensor(arr, device= "cuda") # 张量创建可以设置为GPU用于存储，GPU下由于数据需要从cpu迁移到GPU速度会变慢
    t2 = torch.from_numpy(arr) # 和上面一样，但是这种写法共享了arr和t2变量的内存，其中一个改变都会改变
    print(t)
    print("*" * 50)
    print(t2)
    print("*" * 50)
    arr[0][0] = 9
    print(arr)
    print("*" * 50)
    print(t)
    print("*" * 50)
    print(t2)

[[1. 1. 1.]
 [1. 1. 1.]
 [1. 1. 1.]]
**************************************************
float64
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], device='cuda:0', dtype=torch.float64)
**************************************************
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)
**************************************************
[[9. 1. 1.]
 [1. 1. 1.]
 [1. 1. 1.]]
**************************************************
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], device='cuda:0', dtype=torch.float64)
**************************************************
tensor([[9., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)

进程已结束，退出代码 0

2.依据数值创建

if flag == False:
    out_t = torch.tensor([1])
    print(out_t)
    t = torch.zeros((3,3), out=out_t) #
    print(t,"\n",out_t)
    print(id(t)) # 内存地址
    print(id(out_t))
    print(id(t)==id(out_t))

tensor([1])
tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]]) 
 tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])
1750855205896
1750855205896
True

if flag2:
    out_t = torch.tensor([9,15432,154])
    out_t1 = torch.tensor([9])
    print(out_t)
    t = torch.zeros_like(out_t) # tensor([0, 0, 0])
    print(t)
    t2 = torch.ones(out_t1) # tensor([1., 1., 1., 1., 1., 1., 1., 1., 1.])
    print(t2)
    t3 = torch.ones_like(out_t) # tensor([1, 1, 1])
    print(t3)

    # 自定义维度和单一元素
    t4 = torch.full((3,3),1)
    print(t4)
    #等差数列张量创建方式
    t5 = torch.arange(2,10,2) # 一个偶数列，起始值为2结束为10（左闭右开），相差2 ----tensor([2, 4, 6, 8])
    print(t5)
    #均分数列
    t6 = torch.linspace(2,10,6)

   mean = torch.arange(1,5,dtype= torch.float)
    std = torch.arange(1,5,dtype=torch.float)
    t_normal = torch.normal(mean,std) #正态分布
    print(mean)
    print("*"*100)
    print(std)
    print("*"*500)
    print(t_normal)

tensor([1., 2., 3., 4.])
****************************************************************************************************
tensor([1., 2., 3., 4.])
********************************************************************************************************************************************************************************************************************************************************************************************************************************************************************************************************************************************************************************************************************
tensor([0.6984, 2.3168, 2.8330, 3.2437])