Tensor - 简介、创建、操作与运算
一、简介
1.1 Variable和Tensor的关系
-
Variable是torch.autograd中的数据类型，用于封装Tensor，使其可以进行自动求导。 -
0.4.0后
Variable并入了Tensor。
#Variable含有的属性
data
grad
grad_fn
requires_grad
is_leaf
#Tensor新增的三个属性
dtype #9种，包含float、int、boolean，CPU与GPU有不同的宏表示
shape
device
二、 创建
2.1 依据数值创建
# 1 torch.tensor()
data #可以是list,numpy
dtype
device
requires_grad
pin_memory #是否用于锁页内存
# 2 torch.from_numpy(ndarray)--->创建的tensor与原ndarray共享内存
2.2 直接创建
# 1 torch.zeros()
size
out
layout #内存中的布局形势，有strided,sparse_coo
device
requires_grad
# 2 torch.zeros_like() --->依据input形状创建全0张量
input
dtype
layout
# 3 torch.ones() --->参数与1一样
# 4 torch.ones_like() --->参数与2一样
# 5 torch.full() --->依据size的形状填充fill_value
size
fill_value
out
dtype
layout
device
requires_grad
# 6 torch.arange() --->创建等差的1维张量，左开右闭
start
end
step #数列公差
out
dtype
layout
device
requires_grad
# 7 torch.linspace() --->创建均分的1维张量，左闭右闭
start
end
steps #需要注意，这个不是步长，是数列的长度，实际步长为（end - start） / (steps - 1)
out
dtype
layout
device
requires_grad
# 8 torch.logspace() --->创建对数均分的1维张量，左闭右闭，只是在steps后增加一个base参数
base #对数函数的底
# 9 torch.eye() --->创建2维单位对角矩阵
n #行数
m #列数
out
dtype
layout
device
requires_grad
2.3 依据概率创建
# 1 torch.normal() --->生成正态分布
mean
std
(size)
out
'''
上述mean、std有四种模式：
mean为标量，std为标量：需指定size参数
mean为标量，std为张量：没有size参数
mean为张量，std为标量：没有size参数
mean为张量，std为张量：没有size参数，对应位取mean和std生成正态分布数值
'''
# 2 torch.randn() --->生成标准正态分布
size
out
dtype
layout
device
requires_grad
# 3 torch.randn_like()
# 4 torch.rand() --->在[0,1)上生成均匀分布
size
out
dtype
layout
device
requires_grad
# 5 torch.rand_like()
# 6 torch.randint() --->在[low,high)上生成均匀分布
low
high
size
out
dtype
layout
device
requires_grad
# 7 torch.randperm() -->生成0~n-1的随机排列
n #张量的长度
out
dtype
layout
device
requires_grad
# 8 torch.bernoulli() -->以input为概率，生成伯努利分布（0-1分布）
input #概率值
*
generator
out
三、 操作
3.1 拼接
# 1 torch.cat() --->将张量按维度dim进行拼接
tensors #张量序列
dim
out
# 2 torch.stack() --->在新创建的维度dim进行拼接,如果dim存在则后移
tensors #张量序列
dim
out
3.2 切分
# 1 torch.chunk() --->将张量按照维度dim进行平均切分，返回张量列表，需要注意的是：若不能整除时，最后一份张量小于其他张量
input
chunks: 要切分的份数
dim
# 2 torch.split() --->将张量按照维度dim进行切分，返回张量列表
tensor
split_size_or_sections:为int时，表示每一份的长度；为list时，按照list元素切分
dim
3.3 索引
# 1 torch.index_select() --->在维度dim上，按照index索引数据，返回索引数据拼接的张量
input
dim
index
# 2 torch.masked_select() --->按照mask中的True进行索引，返回一维张量
input
mask:与input相同形状的bool值张量
3.4 变换
# 1 torch.reshape() -->按照shape变换张量的形状，若张量在内存中是连续的，则新张量与input共享数据内存
input
shape
# 2 torch.transpose() --->交换张量的两个维度
input
dim0
dim1
# 3 torch.t() --->2维张量转置，相当于torch.transpose(input, 0, 1)
# 4 torch.squeeze() --->压缩长度为1的维度（轴）
input
dim #若为None,移除所有长度为1的轴；若指定维度，仅当该维度的数值为1时会被移除
out
# 5 torch.unsqueeze() --->依据dim扩展维度（1）
input
dim
out
四、 数学运算
4.1 加减乘除
torch.add() --->input + alpha * other
input
alpha
other
out
torch.addcdiv() ---> input + value * tensor1 / tensor2
input
value
tensor1
tensor2
out
torch.addcmul()
torch.sub()
torch.div()
torch.mul()
4.2 对数、指数、幂函数
torch.log(input, out=None)
torch.log10(input, out=None)
torch.log2(input, out=None)
torch.exp(input, out=None)
torch.pow()
4.3 三角函数
torch.abs(input, out=None)
torch.acos(input, out=None)
torch.cosh(input, out=None)
torch.cos(input, out=None)
torch.asin(input, out=None)
torch.atan(input, out=None)
torch.atan2(input, other, out=None)
