Pytorch学习笔记 2.4：创建Tensor

一、直接创建

1.1 通过torch.tensor创建张量

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

data：数据，可以是list，numpy
dtype：数据类型，默认与data一致
device：所在设备，cuda/cpu
requires_grad：是否需要梯度
pin_memory：是否存于锁页内存

举例：

arr = np.ones((3,3))
print('ndarry的数据类型：',arr.dtype)
print(arr)
# t = torch.tensor(arr,device='cuda')
t = torch.tensor(arr)
print(t)

结果：

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

1.2 通过对torch.from_numpy创建张量

torch.from_numpy(ndarray)
从numpy创建tensor
注意：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，另外一个也会被改动

举例：

arr = np.array([[1,2,3,],
                    [4,5,6]])
t = torch.from_numpy(arr)
print('numpy array:',arr)
print('tensor:',t)

#arr和tensor共享数据内存
print('\n修改arr')
arr[0,0] = 0
print('numpy array:',arr)#[[0 2 3],[4 5 6]]
print('tensor :',t)#tensor([[0, 2, 3],
                   #[4, 5, 6]], dtype=torch.int32)

print('\n修改tensor')
t[0,0] = -1
print('numpy array: ',arr)#[[-1 2 3],[4 5 6]]
print('tensor :',t)

结果：

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

修改arr
numpy array: [[0 2 3]
 [4 5 6]]
tensor : tensor([[0, 2, 3],
        [4, 5, 6]], dtype=torch.int32)

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

二、依据数值创建

2.1 通过torch.zeros()创建张量

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 (不好理解)
layout：内存中布局形式
device：所在设备，gpu/cpu
requires_grad：是否需要梯度

举例：

import numpy as np
import torch

out_t = torch.tensor([1])
print(out_t)
t = torch.zeros((3,3),out=out_t)

print(t,'\n',out_t)
print(id(t),id(out_t),id(t) == id(out_t))

结果：

tensor([1])
tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]]) 
 tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])
2458797688456 2458797688456 True

2.2 torch.zeros_like()创建张量
功能：依input形状创建全0张量

torch.zeros_like(input,
			 dtype=None,
			 layout=None,
			 device=None,
			 requires_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

2.3 torch.ones()
2.4 torch.ones_like()

用法同上
2.5 torch.full()
2.6 torch.full_like()

torch.full(size,
			fill_value,
		    out=None,
		    dtype=None,
		    layout=torch.strided,
		    device=None,
		    requires_grad=False)

size：张量的形状，如（3,3）
fill_value：张量的值

举例：

t = torch.full((3,3),10)
print(t)

结果：

tensor([[10., 10., 10.],
        [10., 10., 10.],
        [10., 10., 10.]])

2.7 torch.arange()

功能：创建等差的1维张量
注意：数值区间为[start,end)

torch.arange(start = 0,
			end,
			step=1,
			out=None,
			dtype=None,
			layout=torch.strided,
			device=None,
			requires_grad=False)

start：数列起始值
end：数列结束值
step：数列公差，默认是1

举例：

t = torch.arange(2,10,2)# tensor([2, 4, 6, 8])
print(t)

结果：

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

2.8 torch.linspace()

功能：创建均分的1维张量
注意：数值区间为[start,end]

torch.arange(start,
			end,
			steps=100,
			out=None,
			dtype=None,
			layout=torch.strided,
			device=None,
			requires_grad=False)

start：数列起始值
end：数列结束值
steps：数列长度

举例：

t = torch.linspace(2,10,5)
print(t)

结果：

tensor([ 2.,  4.,  6.,  8., 10.])

2.9 torch.logspace()

功能：创建对数均分的1维张量
注意：长度为steps，底为base

torch.logspace(start,
			end,
			steps=100,
			base=10.0,
			out=None,
			dtype=None,
			layout=torch.strided,
			device=None,
			requires_grad=False)

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

2.10 torch.eye()

功能：创建单位对角矩阵（2维张量）
注意：默认为方阵

torch.eye(n,
		  m=None,
		  out=None,
		  dtype=None,
		  layout=torch.strided,
		  device=None,
		  requires_grad=False)

n：矩阵行数
m：矩阵列数

三、依概率分布创建张量

3.1 torch.normal()

功能：创建正态分布（高斯分布）

torch.normal(mean,
		     std,
		     out=None)  

mean：均值
std：标准差

四种模式：
mean为标量，std为标量
mean为标量，std为张量
mean为张量，std为标量
mean为张量，std为张量

mean:标量 std：标量

t_normal = torch.normal(0., 1.,size=(4,))
print(t_normal)

结果：

tensor([-0.2874, -0.7555,  0.6219, -0.7967])

mean:张量 std：标量

mean = torch.arange(1,5,dtype=torch.float)
std = 1
t_normal = torch.normal(mean,std)#mean和std一一对应
print('mean:{}\nstd:{}'.format(mean,std))
print(t_normal)

结果：

mean:tensor([1., 2., 3., 4.])
std:1
tensor([2.6530, 1.0718, 2.8693, 3.9960])

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)#mean和std一一对应
print('mean:{}\nstd:{}'.format(mean,std))
print(t_normal)

结果：

mean:tensor([1., 2., 3., 4.])
std:tensor([1., 2., 3., 4.])
tensor([ 3.3175,  6.3296,  4.3810, -2.4837])

3.2 torch.randn()
3.3 torch.randn_like()

功能：生成标准正态分布

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

size：张量的形状

结果：

3.4 torch.rand()
3.4 torch.rand_like()

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

功能：在区间[0,1)上，生成均匀分布
torch.randn和torch.rand有什么区别

3.6 torch.randint()
3.7 torch.randint_like()

torch.randint(low=0,
		     high,
		     size,
		     out = None,
		     dtype=None,
		     layout=torch.strided,
		     device=None,
		     requires_grad=False)

功能：在区间[low,hight)生成整数均匀分布

size：张量的形状

3.8 torch.randperm()

torch.randperm(n,
		     out = None,
		     dtype=torch.int64,
		     layout=torch.strided,
		     device=None,
		     requires_grad=False)

功能：生成从0到n-1的随机排列，一般用来生成索引，乱序

n：张量的长度

3.9 torch.bernoulli()

torch.bernoulli(input,
		     *,
		     generator=None,
		     out = None)

功能：以input为概率，生成伯努利分布（0-1分布，两点分布）

input：概率值