如何创建一个Tensor

首先简单说明一下什么是Tensor，它指的是高维张量，存在于n维空间；其维度不同于向量或矩阵的维度，他们只存在于平面上；与numpy里的Array比较类似。可以将其维度看作“[”括号的个数。其中每个数字代表的就是中括号里元素的个数，2就是最外成的中括号里有2个元素，这里将每个中括号看作一个元素。2和3同理。这样的话，任意给定一个高维的张量，也能判断它的形状了。

再就是axis的理解。从输出结果看，axis从小到大指定的就是shape输出里从左至右的维度。比如3，就是值最里层的那个中括号里有三个元素。

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

>>> tensor([[[1., 1., 1.],
			[1., 1., 1.]],

		   [[1., 1., 1.],
			[1., 1., 1.]]])

得到Tensor类型数据的几种方法

使用torch.tensor()方法，torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False) →Tensor
data:可以是list, tuple,NumPy ndarray, scalar 或者其他类型数据。该方法创建的Tensor，其数据类型与data的数据类型保持对应关系，它可以设置requires_grad=True。
使用torch.Tensor()类，他是Python中的一个类，是默认张量torch.FloatTensor()的别名。它不可以直接设置requires_grad=True，需要在创建对象以后，手动设置Tensor.requires_grad_(True)。
```
>>> import torch 
>>> import numpy as np
>>> a = np.zeros([2], dtype = np.int64)
>>> b = torch.tensor(a)
>>> c = torch.Tensor(1)
>>> print('type(a):',type(a), '\na.dtype:', a.dtype, '\ntype(b):', type(b), '\nb.type():', b.type(), '\nb.dtype', b.dtype, '\ntype(c):', type(c), '\nc.type():', c.type(), '\nc.dtype:', c.dtype)

type(a): <class 'numpy.ndarray'> 
a.dtype: int64 
type(b): <class 'torch.Tensor'> 
b.type(): torch.LongTensor 
b.dtype torch.int64 
type(c): <class 'torch.Tensor'> 
c.type(): torch.FloatTensor 
c.dtype: torch.float32
```
其中type()是python的内置函数，显示变量的类别，.dtype是Python中对象的属性，显示数据类型（即，data type），.type()是torch中所定义的Tensor的数据类型,常见的包括torch.LongTensor和torch.FloatTensor等，与dtype匹配。

从numpy.ndarray数据转化成，使用torch.zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor方法

>>> a = np.ones([2,3])
>>> a_tensor = torch.from_numpy(a)
tensor([[1., 1., 1.],
		[1., 1., 1.]], dtype=torch.float64)

Tensor转化为numpy的方法为Tensor.numpy()

>>> a_numpy = a_tensor.numpy()
array([[1., 1., 1.],
   [1., 1., 1.]])
   ```

由torch包里的内置函数生成，包括以下常用函数

方法名	功能
`torch.zeros(*size)`	生成全0的tensor
`torch.ones(*size)`	生成全1的tensor
`torch,eye(*size)`	对角线为1，其他为0的Tensor，只能生成2维Tensor
`torch.arange(start=0, end, step=1)`	返回一个大小为 $\lceil \frac{end-start}{step}\rceil$ 的1-D张量
`torch.range(start=0, end, step=1)`	返回一个大小为 $\lfloor \frac{end-start}{step}\rfloor + 1$ 的1-D张量
`torch.linspace(start, end, steps=100)`	从 start 到 end，均匀切分为steps份
`torch.logspace(start, end, steps=100, base=10.0)`	从 start 到 end，均匀切分为steps份 $base^{i}$ 构成的1-D张量
`torch.empty(*size)`	初始化一个未指定data值的张量，大小为size，data值其实是很小的数
`torch.full(size, fill_value)`	用`fill_value`的值填满大小为`size`的Tensor
`torch.rand/randn(*sizes)`	均匀/标准分布
`torch.normal(mean,std)/uniform(from,to)`	正太分布/标准分布
`randperm(m)`	随机排列

Note：CUDA Tensors 用.to()方法可以将Tensor在CPU和GPU之间相互转化。

if torch.cuda.is_available():
    device = torch.device("cuda")          # a CUDA device object
    y = torch.ones_like(x, device=device)  # directly create a tensor on GPU
    x = x.to(device)                       # or just use strings ``.to("cuda")``
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))       # ``.to`` can also change dtype together!

out：
tensor([1.8299], device='cuda:0')
tensor([1.8299], dtype=torch.float64)

如何创建一个Tensor

猜你喜欢