Pytorch常用创建Tensor方法总结

1、import from numpy / list

方法：torch.from_numpy(ndarray)
常见的初始化有torch.tensor和torch.Tensor
区别：

• tensor()：通过numpy 或 list 的现有数据初始化
• Tensor()：
  • 1、接收数据的维度（，）shape
  • 2、接收现有的数据[,]

Example：

a = np.array([1,2,3])
data = torch.from_numpy(a)
print(data)
"""
输出：
tensor([1, 2, 3], dtype=torch.int32)
"""
b = np.ones([2,3])
data1 = torch.from_numpy(b)
print(data1)
"""
输出：
tensor([[1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)
"""
# 参数为 list
print(torch.tensor([2.,1.2]))
"""
输出：
tensor([2.0000, 1.2000])
"""

2、未初始化 / 设置默认类型

方法：

　　torch.empty(size)

　　torch.FloatTensor(d1,d2,d3)

       torch.InrTensor(d1,d2,d3)

       torch.set_default_tensor_type(torch.DoubleTensor (设置默认类型)

Example：

# 未初始化
data = torch.empty(1)
print(data)
print(torch.Tensor(2,3))
print(torch.IntTensor(3,4))
"""
输出：
tensor([0.])
tensor([[0.0000e+00, 0.0000e+00, 2.8026e-45],
        [0.0000e+00, 1.4013e-45, 0.0000e+00]])
tensor([[1718379891, 1698963500, 1701013878, 1986356256],
        [ 744842089, 1633899296, 1416782188,  543518841],
        [1887007844, 1646275685,  543977327, 1601073006]], dtype=torch.int32)
"""
 
print(torch.tensor([1.,2]).type())
torch.set_default_tensor_type(torch.DoubleTensor)
print(torch.tensor([1.,2]).type())
"""
输出：
torch.FloatTensor
torch.DoubleTensor
"""

3、随机生成
　　torch.rand(size)：产生[0,1]均匀分布的数据
　　torch.rand_like(input, dtype)：接收tensor读取shape再用rand生成
　　torch.randint(low = 0, high, size)：随机生成整数值tensor，范围 [min，max)：左闭右开
　　torch.randn(size)：N（0,1）均值为0，方差为1的正态分布（N（u，std））
　　torch.full(size, fill_value)：全部赋予相同的值
　　torch.normal(means,std,out = None)
　　　　返回一个张量，包含从给定参数means,std的离散正态分布中抽取随机数。 均值means是一个张量，包含每个输出元素相关的正态分布的均值。 std是一个张量，包含每个输出元素相关的正态分布的标准差。 均值和标准差的形状不须匹配，但每个张量的元素个数须相同。
　　　　参数:
　　　　　　means (Tensor) – 均值
　　　　　　std (Tensor) – 标准差
　　　　　　out (Tensor) – 可选的输出张量

Example：

data = torch.rand(3,3)
print(data)
"""
输出：
tensor([[0.0775, 0.2610, 0.0833],
        [0.7911, 0.6999, 0.6589],
        [0.4790, 0.6801, 0.6582]])
"""
data_like = torch.randn_like(data)
print(data_like)
"""
输出：
tensor([[ 0.6866,  2.5939, -0.2480],
        [-0.9259, -0.3617,  0.5759],
        [-1.0179, -1.0938,  0.6426]])
"""
print(torch.randint(1,10,[3,3]))
"""
输出：
tensor([[7, 3, 2],
        [8, 6, 7],
        [7, 7, 7]])
"""
 
data = torch.randn(3,3)
print(data)
"""
输出：
tensor([[-0.6225, -0.1253, -0.1083],
        [-0.3199, -0.5670,  0.2898],
        [-0.6500,  0.9275,  1.0377]])
"""
data = torch.normal(mean=torch.full([10],0),std=torch.arange(1,0,-0.1))
print(data)
"""
输出：
tensor([-0.6509, -1.4877,  0.4740,  1.1891,  0.1009, -0.4449, -0.3422,  0.1519,
        -0.2735,  0.1140])
"""
print(torch.full([2,4],7))
print(torch.full([],7)) # 标量
"""
输出：
tensor([[7., 7., 7., 7.],
        [7., 7., 7., 7.]])
tensor(7.)
"""

4、序列生成
　　torch.arange(start, end, step)
　　　　# [start,end) 左闭右开，默认步长为1
　　torch.range(start, end, step) (已被arange替代)
　　　　# 包括end，step是两个点间距
　　torch.linspace(start, end, steps) # 等差数列
　　　　# 包括end, steps 是点的个数，包括端点, (等距离)
　　torch.logspace(start, end, steps) #

Example：

print(torch.arange(0,10))
print(torch.arange(0,10,2))
print(torch.linspace(0,10,steps=3))
print(torch.linspace(0,10,steps=11))
print(torch.logspace(0,-1,steps=10))
print(torch.logspace(0,1,steps=10))
"""
输出：
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
tensor([0, 2, 4, 6, 8])
tensor([ 0.,  5., 10.])
tensor([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])
tensor([1.0000, 0.7743, 0.5995, 0.4642, 0.3594, 0.2783, 0.2154, 0.1668, 0.1292,
        0.1000])
tensor([ 1.0000,  1.2915,  1.6681,  2.1544,  2.7826,  3.5938,  4.6416,  5.9948,
         7.7426, 10.0000])
"""

5、全零、全一、单位矩阵

　　torch.zeros(size)
　　torch.zeros_like(input, dtype)
　　torch.ones(size)
　　torch.ones_like(input, dtype)
　　torch.eye(size)

 

Example：

print(torch.ones(3,3))
print(torch.zeros(2,3))
print(torch.eye(4,4))
print(torch.eye(2))
"""
输出：
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])
tensor([[0., 0., 0.],
        [0., 0., 0.]])
tensor([[1., 0., 0., 0.],
        [0., 1., 0., 0.],
        [0., 0., 1., 0.],
        [0., 0., 0., 1.]])
tensor([[1., 0.],
        [0., 1.]])
"""

6、torch.randperm(n) # 生成一个0到n-1的n-1个整数的随机排列

Example：

print(torch.randperm(10))
"""
输出：
tensor([0, 1, 4, 7, 9, 8, 6, 3, 2, 5])
"""