Pytorch 基础之张量创建

主要介绍一下 Tensor 张量创建一些常用的方式：

1. from_numpy()

从 numpy 中导入创建

import numpy
import torch
a = numpy.array([2, 3.3])
b = torch.from_numpy(a)
print(b)
print(b.type())

//输出结果
tensor([2.0000, 3.3000], dtype=torch.float64)
torch.DoubleTensor

2. tensor()

适合创建少量数据的场景

a = torch.tensor([[0.1, 1.2], [2.2, 3.1], [4.9, 5.2]])  # create two-dimensional tensor

b = torch.tensor([0, 1])  # create one-dimensional tensor

c = torch.tensor(3.14159)  # Create a zero-dimensional (scalar) tensor

d = torch.tensor([])  # Create an empty tensor (of size (0,)) one-dimensional tensor

3. empty()

返回包含未初始化数据的 Tensor

a = torch.empty(2, 3)
print(a)
print(a.shape)
print(a.dim())

//输出结果
tensor([[7.3154e+34, 5.9682e-02, 7.0374e+22],
        [5.7886e+22, 6.7120e+22, 6.7331e+22]])
torch.Size([2, 3])
2

4. rand/rand_like, randint,randn

rand()：返回一个填充了来自区间上均匀分布的随机数 [0, 1) 的张量

rand_like()：返回和输入变量一样 size 的，填充了来自区间上均匀分布的随机数 [0, 1) 的张量

randint()：返回一个张量，其中填充了在low（包含）和high（不包含）之间均匀生成的随机整数。
randn()：返回一个填充了均值为 0 ，方差为 1 的正态分布的随机值的张量

a = torch.rand(1, 3)
print(a)
b = torch.rand_like(a)
print(b)
c = torch.randint(2, 6, (2, 2))
print(c)
d = torch.randint(4, (2, 2))
print(d)
e = torch.randn(2, 3)
print(e)

//输出结果
tensor([[0.6459, 0.2532, 0.1440]])
tensor([[0.4444, 0.0029, 0.5269]])
tensor([[5, 3],
        [3, 4]])
tensor([[1, 3],
        [3, 2]])
tensor([[ 0.3961, -0.6548,  0.3599],
        [-1.3824, -0.4262,  0.6252]])

5. full,ones,zeros,eye

full(size, fill_value)：创建一个大小为size ，值全为fill_value的张量。张量的 dtype 与fill_value一致.

ones()：返回一个用标量值1填充的张量，其形状由变量 argument 定义size。

zeros()：返回一个用标量值0填充的张量，其形状由变量 argument 定义size

eye()：返回一个二维张量，对角线为 1，其他地方为 0

a = torch.full((2, 3), 3.3)
print(a)
b = torch.ones(2, 3)
print(b)
c = torch.zeros(2, 3)
print(c)
d = torch.eye(3, 2)
print(d)

//输出结果
tensor([[3.3000, 3.3000, 3.3000],
        [3.3000, 3.3000, 3.3000]])
tensor([[1., 1., 1.],
        [1., 1., 1.]])
tensor([[0., 0., 0.],
        [0., 0., 0.]])
tensor([[1., 0.],
        [0., 1.],
        [0., 0.]])

6.arange/range

arange(start, end, step)：返回从 start(包含) 开始，以 step 为步长，到 end(不包含)结束的一维张量
range(start, end, step)：回从 start(包含) 开始，以 step 为步长，到 end(包含)结束的一维张量（这个已经被废弃，用 arange()）

a = torch.arange(1, 5, 2)
print(a)
b = torch.range(1, 5, 2)
print(b)

//输出结果
tensor([1, 3])
tensor([1., 3., 5.])

7.linspace/logspace

linspace(start, end, step)：返回一个 从 start(包含)开始，到 end(包含)结束，间隔为 (end - start)/ (step - 1) 的一维的张量

logspace(start, end, step, base)：返回一个以 base 为底，指数为以 (end - start)/ (step - 1)为步长的一维张量

a = torch.linspace(1, 5, 2)
print(a)
b = torch.logspace(0, 5, 2, 2)
print(b)

//输出结果
tensor([1., 5.])
tensor([ 1., 32.])

8.randperm

randperm(n)：返回从 0 到 n-1 的 n 个随机整数排列的一维张量

a = torch.randperm(5)
print(a)
//输出结果
tensor([0, 4, 1, 3, 2])