【PyTorch学习笔记】2.创建Tensor

学习网易云课堂上pytorch课堂，大多参考https://blog.csdn.net/SHU15121856/article/details/87731878上的笔记总结，添加了自己的一些总结

从numpy创建

import torch import numpy as np a = np.array([2, 3.3]) a = torch.from_numpy(a) # torch.DoubleTensor

从list创建

a = torch.FloatTensor([2, 3.3]) # 尽量少用这种方式,容易和给shape的情况看混淆 b = torch.tensor([2, 3.3]) # 现有list时尽量用这种方式

数据量不是很大的时候 注意

小写的tensor只接受现有的数据；而大写的Tensor相当于就是FloatTensor，既可以接收现有的数据，也可以接受shape来创建指定形状的Tensor。

仅指定维度的初始化（未初始化）

前面都提供了里面元素的具体值，也可以按照shape来创建，而先不为其提供具体值。

# 生成2行3列的数据 a = torch.empty(2, 3) b = torch.FloatTensor(2, 3) c = torch.IntTensor(2, 3)

未初始化里面也有数据，但是非常不规则，可能包含无穷大或负无穷大数字。尽量使用随机初始化

修改tensor的默认类型

使用torch.tensor传入浮点数元素，或者使用torch.Tensor仅指定维度时，生成的默认是FloatTensor，也可以修改默认设置使其默认是其它类型的。

print(torch.tensor([1, 2.2]).type()) torch.set_default_tensor_type(torch.DoubleTensor) print(torch.tensor([1, 2.2]).type())

运行结果：

torch.FloatTensor torch.DoubleTensor

随机初始化

# 采样自0~1均匀分布 a = torch.rand(3, 3) # 形如*_like接受一个Tensor,将这个Tensor的shape读取出来之后在送入*所表示的函数 # 下面的rand_like(a)即将a的shape=3,3读出来传给torch.rand()函数 b = torch.rand_like(a) # 相当于执行了torch.rand(3,3) # 在区间[1,10)上随机采样,生成shape=2,2的LongTensor c = torch.randint(1, 10, [2, 2]) # 采样自N(0,1),正态分布 d = torch.randn(3, 3)

使用相同元素构建

# shape=2,3,所使用的相同的元素为7 b = torch.full([2, 3], 7)

指定参数的正态分布

# 指定均值和标准差 a = torch.normal(mean=torch.full([10], 0), std=torch.arange(1, 0, -0.1))

arange

生成等差数列，[0,8),步长2。注意torch.range()是包含结尾的，但是已经被弃用了，一律用arange就好

c = torch.arange(0, 8, 2) # tensor([0, 2, 4, 6])

linespace

也是等差数列，包含结尾[0, 8]，但最后一个参数的意思按照多少份等分切割，并不是步长

c = torch.linespace(0, 8, 4) # tensor([0.0000, 2.6667, 5.3333, 8.0000])

logspace

从10的n次方取到10的m次方，指数是等差的，也就是元素值是等比的。

e = torch.logspace(0, -1, 5) # tensor([1.0000, 0.5623, 0.3162, 0.1778, 0.1000])

全0

a = torch.zeros([3, 4])

全1

b = torch.ones([3, 4])

对角阵

c = torch.eye(3, 4) # 只能是二维的,传入dim=2的shape

也可以只给一个参数n，得到的就是n阶的对角方阵。

randperm

使用randperm可以生成一个从0开始的、已经打乱的连续索引Tensor，用它可以对其它Tensor做shuffle。特别是在有几个需要保持一致顺序的Tensor时，用相同的索引Tensor就能保证shuffle之后的Tensor在那个维度上的顺序一致了。

import torch # 两个Tensor的shape[0]是相同的,都是3 a = torch.rand(3, 1) b = torch.rand(3, 1) print(a, b, sep='\n') print("-" * 20) # 制造一个[0,3)的索引序列 idx = torch.randperm(3) print(idx) print("-" * 20) # 给a,b做shuffle,保证第一个维度在shuffle后的对应关系不变 a_sf = a[idx] b_sf = b[idx] print(a_sf, b_sf, sep='\n')