張量的創(chuàng)建

• 張量（Tensors）類似于NumPy的ndarrays ，但張量可以在GPU上進行計算。從本質(zhì)上來說，PyTorch是一個處理張量的庫。一個張量是一個數(shù)字、向量、矩陣或任何n維數(shù)組。

?

import torch
import numpy
torch.manual_seed(7) # 固定隨機數(shù)種子

直接創(chuàng)建?

1. torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)
2. 功能：從data創(chuàng)建tensor
   • data: 數(shù)據(jù)，可以是list，numpy
   • dtype: 數(shù)據(jù)類型，默認與data的一致
   • device: 所在設(shè)備，cuda/cpu
   • requires_grad: 是否需要梯度
   • pin_memory: 是否存于鎖頁內(nèi)存

torch.tensor([[0.1, 1.2], [2.2, 3.1], [4.9, 5.2]])tensor([[0.1000, 1.2000],
,        [2.2000, 3.1000],
,        [4.9000, 5.2000]])

1. torch.from_numpy(ndarray)
2. 功能：從numpy創(chuàng)建tensor

從torch.from_numpy創(chuàng)建的tensor于原ndarray共享內(nèi)存，當修改其中一個數(shù)據(jù)，另一個也將會被改動。

a = numpy.array([1, 2, 3])
t = torch.from_numpy(a)

?依據(jù)數(shù)值創(chuàng)建?

1. torch.zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
2. 功能：依size創(chuàng)建全0張量
   • size: 張量的形狀
   • out: 輸出的張量
   • layout: 內(nèi)存中布局形式
   • device: 所在設(shè)備
   • requires_grad: 是否需要梯度

torch.zeros(2, 3)tensor([[0., 0., 0.],
,        [0., 0., 0.]])

1. torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False)
2. 功能：依input形狀創(chuàng)建全0張量
   • input: 創(chuàng)建與input同形狀的全0張量
   • dtype: 數(shù)據(jù)類型
   • layout: 內(nèi)存中布局形式

input = torch.empty(2, 3)
torch.zeros_like(input)tensor([[0., 0., 0.],
,        [0., 0., 0.]])

torch.ones(2, 3)tensor([[1., 1., 1.],
,        [1., 1., 1.]])

1. torch.ones_like(input, dtype=None, layout=None, device=None, requires_grad=False)
2. 功能：依input形狀創(chuàng)建全1張量
   • size: 張量的形狀
   • dtype: 數(shù)據(jù)類型
   • layout: 內(nèi)存中布局形式
   • device: 所在設(shè)備
   • requires_grad: 是否需要梯度

input = torch.empty(2, 3)
torch.ones_like(input)tensor([[1., 1., 1.],
,        [1., 1., 1.]])

?

1. torch.full_like(input, dtype=None, layout=torch.strided, device=None, requires_grad=False)
2. 功能: 依input形狀創(chuàng)建指定數(shù)據(jù)的張量
   • size: 張量的形狀
   • fill_value: 張量的值
3. torch.arange(start=0, end. step=1, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
4. 功能：創(chuàng)建等差的1維張量
   • start: 數(shù)列起始值
   • end: 數(shù)列結(jié)束值
   • step: 數(shù)列公差，默認為1

torch.arange(1, 2.5, 0.5)tensor([1.0000, 1.5000, 2.0000])

?

?依概率分布創(chuàng)建張量

torch.normal(mean, std, out=None) : 生成正態(tài)分布

# mean為張量, std為張量
torch.normal(mean=torch.arange(1., 11.), std=torch.arange(1, 0, -0.1))tensor([0.8532, 2.7075, 3.7575, 3.2200, 6.0145, 5.5526, 6.8577, 8.3697, 9.0276,
,        9.8318])

?

torch.randn(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) : 生成標準正態(tài)分布

?

torch.randn(2, 3)tensor([[1.3955, 1.3470, 2.4382],
,        [0.2028, 2.4505, 2.0256]])

?

torch.rand(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) :?在[0,1)上，生成均勻分布。

torch.rand(2, 3)tensor([[0.7405, 0.2529, 0.2332],
,        [0.9314, 0.9575, 0.5575]])

?張量拼接與切分

torch.cat(tensors, dim=0, out=None) :?將張量按維度進行拼接

?

x = torch.randn(2, 3)
torch.cat((x, x, x), 1)# 
tensor([[-1.7038,  0.6248,  0.1196, -1.7038,  0.6248,  0.1196, -1.7038,  0.6248,
,          0.1196],
,        [-0.8049,  1.6162,  0.2516, -0.8049,  1.6162,  0.2516, -0.8049,  1.6162,
,          0.2516]])

?

torch.stack(tensors, dim=0, out=None) :?在新創(chuàng)建的維度上進行拼接

torch.chunk(input, chunks, dim=0)? :?將張量按維度進行平均切分