1、深度学习pytroch的张量使用

1、构建项目

 2、给项目命名和指定解释器，解释器用我们的虚拟环境

 3.创建包

 4、创建文件

 5.编辑test1.py文件

from __future__ import print_function
import torch
#1.torch.rand()：构造均匀分布张量的方法
#torch.rand是用于生成均匀随机分布张量的函数，从区间[0,1)的均匀分布中随机抽取一个随机数生成一个张量
#调用方法语法：torch.rand(sizes, out=None)
#sizes：用于定义输出张量的形状
#生成一个每个元素服从0-1均匀分布的5行3列随机张量
#tensor[ten se r]
tensor_1=torch.rand(5,3)
print("\ntorch.rand(5,3)结果：\n",tensor_1,tensor_1.type())

#2.torch.randn()：构造标准正态分布张量的方法
#torch.randn()是用于生成正态随机分布张量的函数，从标准正态分布中随机抽取一个随机数生成一个张量
#调用方法如语法：torch.randn(sizes, out=None)
#sizes：用于定义输出张量的形状
# 生成一个每个元素均为标准正态分布的4行3列随机张量
tensor_2=torch.randn(5,3)
print("\ntorch.randn(5,3)结果：\n",tensor_2,tensor_2.type())

#3.torch.randint()：构造区间分布张量的方法
#torch.randint()是用于生成任意区间分布张量的函数，从标准正态分布中随机抽取一个随机数生成一个张量
#调用方法语法：torch.randint(low=0, high, sizes, out=None)
#low~high：随机数的区间范围
#sizes：用于定义输出张量的形状
# 生成一个每个元素均为[1-10]均匀分布的4行3列随机张量
tensor_3 = torch.randint(1, 10, (4, 3))
print("\ntorch.randint(1, 10, (4, 3))：\n",tensor_3, tensor_3.type())

#4.torch.randperm()：根据生成的随机序号对张量进行随机排序的方法
#torch.randint()是用于对张量序号进行随机排序的函数，并根据生成的随机序列
#调用方法语法：torch.randperm(n, out=None, dtype=torch.int64)
#n：一个整数，可以理解为张量某个方向的维度
#dtype：返回的数据类型（torch.int64）
#下面代码实现的功能为：将二维张量按照行进行随机排序。
# 生成一个0~3的随机整数排序
idx = torch.randperm(4)
# 下面输出随机生成的行序号
print("\ntorch.randperm(4)生成的随机序号:\n", idx)

# 生成一个4行3列的张量
tensor_4 = torch.Tensor(4, 3)

# 为了方便对比，首先输出tensor_4的结果
print("\ntorch.Tensor(4, 3)原始张量:\n", tensor_4)

# 下面的指令实现了在行的方向上，对tensor_4进行随机排序，并输出结果
print("\n随机排序后的张量:\n", tensor_4[idx])

 

6、输出结果如下