pytorch中tensor创建方法

tensor的创建方法

总结

直接创建

code	作用
torch.tensor()	直接创建
torch.from_numpy(ndarray)	从numpy创建tensor

按值创建

code	作用
torch.tensor()	直接创建
torch.from_numpy(ndarray)	从numpy创建tensor
torch.zeros())	创建全零张量
torch.ones() torch.ones_like()	创建全1张量
torch.full() torch.full_like()	创建全n张量（n为自定义）
torch.arange()	创建等差的1维张量
torch.linspace()	创建均分的1维张量
torch.logspace()	创建对数均分的1维张量
torch.eye()	创建单位对角矩阵（ 2维张量）

按概率分布创建

code	作用
torch.normal()	生成正态分布（高斯分布）
torch.randn() torch.randn_like()	生成标准正态分布
torch.rand() torch.rand_like()	在区间【0, 1）上，生成均匀分布
torch.randint () torch.randint_like()	区间【low, high）生成整数均匀分布
torch.randperm()	生成生成从0到n-1的随机排列
torch.bernoulli()	以input为概率，生成伯努力分布 （0-1分布，两点分布）

直接创建

使用torch.tensor()

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的一致
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

• 需要把张量放在GPU上，可以设置

device = `cuda`

从numpy创建tensor

使用torch.from_numpy(ndarray)
使用torch.from_numpy创建的tensor和原来ndarray共享内存

依据数值创建张量

**使用torch.zeros()**创建全零张量

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

参数	作用
size	张量的形状, 如(3, 3)、(3, 224,224)
out	输出的张量
layout	内存中布局形式, 有 strided,sparse_coo等
device	所在设备, gpu/cpu
requires_grad	是否需要梯度

• out参数
  输入

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

打印结果

out_t与t是相同的

使用torch.zeros_like()

依据input的形状创建全0张量

torch.zeros_like(input,
dtype=None,
layout=None,
device=None,
requires_grad=False)

创建全1张量

使用torch.ones()
使用torch.ones_like()

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

自定义数值创建张量

使用torch.full()
使用torch.full_like()

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

其中fill_value为张量的值

创建等差的1维张量

使用torch.arange()

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，默认为1

创建均分的1维张量

使用torch.linspace()

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
• steps: 数列长度

创建对数均分的1维张量

使用torch.logspace()

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，默认为10

创建单位对角矩阵（ 2维张量）

使用torch.eye()

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

依据概率分布来创建张量

生成正态分布（高斯分布）

使用torch.normal()

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

• mean : 均值（可为标量，也可为张量）
• std : 标准差（可为标量，也可为张量）

均值和标准差都是张量的时候需要给出size

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

生成标准正态分布

使用torch.randn()
使用torch.randn_like()

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

• size : 张量的形状

在区间【0, 1）上，生成均匀分布

使用torch.rand()
使用torch.rand_like()

区间【low, high）生成整数均匀分布

使用torch.randint ()
使用torch.randint_like()

生成生成从0到n-1的随机排列

使用torch.randperm()

• n : 张量的长度

以input为概率，生成伯努力分布 （0-1分布，两点分布）

使用torch.bernoulli()

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

• input : 概率值