【Pytorch学习笔记（一）】张量的创建与访问

一、张量的简介

张量（tensor）描述了与向量空间相关的集合之间的多重线性（multilinear）关系，它可以看作是向量（vector）的高阶一般化。事实上，标量（scalar）、向量和矩阵（matrix）可以看作是0-阶、1-阶和2-阶张量[1]。张量的概念和向量空间（vector space）的概念是密不可分的，也是深度学习要处理的对象如文本，图片等在计算机中的表示形式。因此，张量的创建与访问是学习Pytorch的第一步。

二、张量的创建[2]

（一）基本数据类型的张量创建

相信有一丢丢编程基础的同学就记得大多编程语言都有byte、char、short、int、long、float、double等基本数据类型，pytorch中可以创建以上基本数据类型的张量，其创建方式如下（以byte为例）：

#创建一个两行三列的2-阶张量
byteA = torch.ByteTensor(2, 3)
#创建一个具体的两行两列的张量
byteB = torch.ByteTensor([[1,2],[2,3]])

1.char数据类型的张量的创建

创建一个有符号的8位整数型张量

#创建一个3-阶char张量
charA = torch.CharTensor(2, 3, 4)
#创建一个2-阶具体的char张量
charB = torch.CharTensor([[2, 3],[4,5]])

2.short数据类型的张量的创建

创建一个有符号的16位整数型张量

#创建一个2-阶short张量
shortA = torch.ShortTensor(3,4)
#创建一个3-阶具体的short张量
shortB = torch.ShortTensor([[[1,2],[3,4]],
                             [[5,6],[7,8]]])

3.int数据类型的张量的创建

创建一个有符号的32位整数型张量

#创建一个2-阶int张量
intA = torch.IntTensor(3,4)
#创建一个3-阶具体的int张量
intB = torch.IntTensor([[[1,2],[3,4]],
                             [[5,6],[7,8]]])

4.long数据类型的张量的创建

创建一个有符号的32位整数型张量

#创建一个2-阶long张量
longA = torch.LongTensor(3,4)
#创建一个3-阶具体的long张量
longB = torch.LongTensor([[[1,2],[3,4]],
                             [[5,6],[7,8]]])

5.float数据类型的张量的创建

创建一个32位浮点型张量

#创建一个2-阶float张量
shortA = torch.FloatTensor(3,4)
#创建一个3-阶具体的float张量
shortB = torch.ShortTensor([[[1.3,2.4],[3.5,4.3]],
                             [[5.1,6.5],[7.8,8.0]]])

6.double数据类型的张量的创建

创建一个64位浮点型张量

#创建一个2-阶double张量
doubleA = torch.DoubleTensor(3,4)
#创建一个3-阶具体的double张量
doubleB = torch.DoubleTensor([[[1.0,2.8],[3.9,4.0]],
                             [[5.21,6.0],[7.0,8.0]]])

（二）其它类型的张量创建

除基本数据类型外，pytorch还支持其它类型的张量诸如全零、全一、对角以及随机等张量的创建，它们的参数只能是张量的维数，不能是具体的张量，具体创建方法如下：

1.初始化一个空张量

#初始化一个3行3列的2-阶空张量
emptyA = torch.emptyt(3,3)

2.全零张量的创建

#创建一个3行3列的2-阶全零张量
zeroA = torch.zeros(3,3)

3.全一张量的创建

#创建一个4行5列的2-阶全一张量
oneA = torch.ones(4,5)

4.对角张量的创建

#创建一个5行5列的2-阶对角张量（注：只能创建2-阶对角张量）
eyeA = torch.eye(5,5)

5.随机张量的创建

#创建一个3维3行5列的3-阶随机张量
randomA = torch.randn(3,3,5)

6.随机向量（随机1-阶张量）的创建

#创建一个长度位5的1-阶随机张量
randpermA = torch.randperm(5)

7.均匀步长的向量（均匀步长的1-阶张量）的创建

#创建一个从1到10步长位2的1-阶张量
rangeA = torch.range(1,10,2)

三、张量的访问

有时我们需要张量中的一部分如某行或者某列进行数据运算。因此，掌握张量的访问是非常必要的，具体方法如下：

#创建一个2维3行4列char张量
charC = torch.CharTensor(2,3,4)
#访问第一个3行4列的2-阶char张量
print(charC[0,:,:])
#访问第二个2-阶张量的第一行
print(charC[1,0,:])
#访问第一个2-阶张量的第三列
print(charC[0,:,2])

写ZAI最后，本人纯深度学习小白，本博客仅用来记录学习用，理解与解释受限于博主水平并不完全正确，参考博文已在正文内标注，非常感谢，本人博文如有错误，还请各位大佬指正。