pytorch创建张量

pytorch张量创建:

1. 将numpy转化为tensor的方法: torch.Tensor(),torch.from_numpy()
2. 创建指定数字大小或者指定shape的张量:torch.zeros(input=shape形状),torch.zeros_like(张量)
3. 根据概率创建张量。

import torch
import numpy as np


# 1.首先通过np.ones((x,x)) 创建一个 x*x大小的矩阵
# 2.然后通过torch.tensor(data) 将一个numpy数据类型转化为一个 tensor数据类型
# 如果需要将该数据放入到gpu中需要将设备设置为cuda
def tensor_create1():
    arr = np.ones((3, 3))
    print("ndarray的数据类型：", arr.dtype)
    print(type(arr))
    t = torch.tensor(arr, device="cuda")
    # print(arr)
    print(t)


# 2. torch.from_numpy
def tensor_create2():
    # 1.通过from_numpy 将tensor和numpy数据绑定到一起
    arr = np.array([[1, 2, 3], [4, 5, 6]])
    t = torch.from_numpy(arr)
    print(arr)
    print(t)
    flag = False
    # ----------------------------
    # 2. 判断修改numpy是否对 tensor有影响
    if flag:
        arr[0][0] = -1
        print(arr)
        print(t)
    # 3. 判断修改tensor是否对 numpy有影响
    else:
        t[0, 0] = -2
        print(arr)
        print(t)


# 3.依据数值创建张量
def tensor_create3():
    out_t = torch.tensor([1])
    t = torch.zeros((3, 3), out=out_t)
    print(t, "\n", out_t)
    print(id(t), id(out_t), id(t) == id(out_t))


# 4. torch.ones()
# 5. torch.ones_like()
# 6. torch.full()
# 7. torch.full_like()
def tensor_create4():
    out_t = torch.tensor([1])
    t = torch.zeros_like(out_t)
    print(t)


def tensor_create6():
    # 以下解释是 torch.full_like()函数的解释，大概意思是 该函数的返回值大小和输入的张量大小一样。
    # 它与torch.full()函数的差别是 full()函数input的是张量的shape而full_like()函数用户不用管输入张量的shape其会自己算并生成和输入张量
    # 大小一样的张量并返回。
    # 同理 ones_like()和zeros_like()也与其实现基本一样。
    # Returns a tensor with the same size as input filled with fill_value. torch.full_like(input, fill_value) is
    # equivalent to torch.full(input.size(), fill_value, dtype=input.dtype, layout=input.layout, device=input.device).
    out_t = torch.full((3, 3), 1)
    print(out_t)
    out_t2 = torch.full_like(out_t, 2)
    print(out_t2)


# 8. 通过torch.arange()创建张量 需要输入start和end和step参数去控制起始值，结束值，步长。可以参考 python range的函数和其商城的一样。
# 9. 通过torch.linspace()创建张量 该函数也需要 start，end，steps三个参数 这个函数的意思是将 start到end的数等分steps份。
# 例如 start = 2 end = 10，steps =4 那么会成 2.,4.,6.,8.，10.
# torch.arrange() 和 torch.linspace 都是等分类函数 arrange()仅仅告诉你每一步间隔是多少能等分多少份与start-end的长度有关。
# torch.linspace()提前在函数中定义等分的份数不管其start和end的范围，我都等分这么多份。
# 其实 与 zeros 和zeros_like()是有一定相似性的。
def tensor_create9():
    out_t = torch.linspace(2,10,5)
    print(out_t)

# 10. torch.logspace() 是创建对数均分的1维张量。
# 11. torch.eye() 是创建 单位对角矩阵二维张量 默认方阵。n 和m一个行一个列m不输入就是方阵。
# 12. torch.normal() 根据概率分布生成张量
# 13. torch.randn()  torch.randn_like()是根据标准正态分布生成张量
# 14. torch.rand() torch.rand_like() 在区间[0-1)生成均匀分布
# 15. torch.randint() torch.randint_like() 在[low,hight）生成整数均匀分布
# 16. torch.randperm() 生成0-n-1的随机排列。
# 17. torch.bernoulli() 生成伯努利分布 0-1分布 函数的输入是个张量.每个张量的数据对这个函数来说是为0-1的概率如果=1的话那么就一直是1如果
# 等于0的话就一直是0 小于和大于1的情况
# RuntimeError: Expected p_in >= 0 && p_in <= 1 to be true, but got false.  (Could this error message be improved?
# If so, please report an enhancement request to PyTorch.)
def tensor_create17():
    a = torch.full((6,6),1,dtype=float)
    probability = torch.bernoulli(a)
    print(probability)
if __name__ == '__main__':
    # tensor_create1()
    # tensor_create2()
    tensor_create17()