小程序开发公司如何寻找客户西安百度推广优化公司

张量的创建

• 张量（Tensors）类似于NumPy的ndarrays ，但张量可以在GPU上进行计算。从本质上来说，PyTorch是一个处理张量的库。一个张量是一个数字、向量、矩阵或任何n维数组。

 

import torch
import numpy
torch.manual_seed(7) # 固定随机数种子

直接创建 

1. torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)
2. 功能：从data创建tensor
   • 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

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：从numpy创建tensor

从torch.from_numpy创建的tensor于原ndarray共享内存，当修改其中一个数据，另一个也将会被改动。

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

 依据数值创建¶

1. torch.zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
2. 功能：依size创建全0张量
   • size: 张量的形状
   • out: 输出的张量
   • layout: 内存中布局形式
   • device: 所在设备
   • 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形状创建全0张量
   • input: 创建与input同形状的全0张量
   • dtype: 数据类型
   • layout: 内存中布局形式

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形状创建全1张量
   • size: 张量的形状
   • dtype: 数据类型
   • layout: 内存中布局形式
   • device: 所在设备
   • 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形状创建指定数据的张量
   • size: 张量的形状
   • fill_value: 张量的值
3. torch.arange(start=0, end. step=1, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
4. 功能：创建等差的1维张量
   • start: 数列起始值
   • end: 数列结束值
   • step: 数列公差，默认为1

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

 

 依概率分布创建张量

torch.normal(mean, std, out=None) : 生成正态分布

# mean为张量, std为张量
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) : 生成标准正态分布

 

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，生成均匀分布。

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

 张量拼接与切分

torch.cat(tensors, dim=0, out=None) : 将张量按维度进行拼接

 

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) : 在新创建的维度上进行拼接

torch.chunk(input, chunks, dim=0)  : 将张量按维度进行平均切分