pytorch学习条记2 创建tensor

1 从numpy导入

1. a=np.array([2,3.3])
2. torch.from_numpy(a)
4. b=np.ones([2,3])
5. torch.from_numpy(b)

复制代码

2从list导入

1. torch.tensor([2.,3.2])
2. torch.FloatTensor([2.,3.2])
3. torch.tensor([[2.,3.2],
4.                           [1.,22.3]])  

复制代码

3 未初始化的随机数据

• Torch.empty()
  
• Torch.FloatTensor（d1,d2,d3）# 注意与Torch.FloatTensor（[d1,d2,d3]）的区别
  
• Torch.IntTensor（d1,d2,d3）
  记得要使用前设置初始值，最好养成习惯，声明后就接着设置初值
  

缺省范例

• torch.tensor([1.2,3]) 或者Tensor（1,1）缺省内里的数据是FloatTensor
  可以设置缺省范例，比如设为DOubleTensor：
  torch.set_default_tensor_type(torch.DoubleTensor)
  有随机数据很大或者很小的隐患
  

rand/rand_like, randint随机初始化

• [0,1]
  
• [min, max)
  
• *_like
  

1. a=torch.rand(3,3)
2. b=torch.rand_like(a)
3. c=torch.randint(1,100,[3,3])

复制代码

产生的
a: tensor([[0.1458, 0.5103, 0.6855],
[0.1972, 0.6910, 0.4974],
[0.2994, 0.0315, 0.1111]])
b: tensor([[0.0386, 0.2902, 0.7586],
[0.0865, 0.8761, 0.0327],
[0.2937, 0.8082, 0.7511]])
c: tensor([[24, 78, 58],
[48, 23, 79],
[16, 78, 36]])
randn 正态分布初始化

N(0,1)
N(u,std)

1. torch.randn(3,3) #产生3X3，均值0，方差1正态分布
2. torch.normal(mean=torch.full([10],0),std=torch.arange(1,0,-0.1)) #产生一个10个元素，每个元素均值（mean=指定）都是0，每个的方差是[1,0.9,0.8...,0.1]变化的随机数

复制代码

full

torch.full([2,3],7) #产生一个2X3，值满是7的tensor
torch.full([ ],7) #产生一个0维，值是7的tensor（7.）
torch.full([1],7) #产生一个1维(该维长度是1)，值是7的tensor（[7.]）
arange/ range(不发起用)

1. torch.arange(0,10)
2. #产生 tensor([0,1,2,3,4,5,6,7,8,9])
3. torch.arange(0,10,2)
4. #产生 tensor([0,2,4,6,8])

复制代码

linspace/logspace

1. torch.linspace(0,10,steps=4)  #4是数量，不是间隔，自动计算平均分布间隔
2. #产生 tensor([0.0000, 3.3333, 6.6667, 10.0000])
3. torch.linspace(0,10,steps=11)
4. #产生 tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])
5. torch.logspace(0,-1,steps=10) # 先产生10个平均分布的0->-1的数[0,-0.111,-0.2222,...,-1.0]（假如记为mlist）,再得到10的各个幂(即10**mlist)
6. #得到tensor([1.0000, 0.7743, 0.5995, 0.4642, 0.3594, 0.2783, 0.2154, 0.1668, 0.1292,
7.         0.1000])

复制代码

ones/zeros/eye

randperm 随机打散

• p=torch.randperm(10)
  得到tensor([9, 4, 6, 0, 5, 3, 1, 8, 7, 2])
  

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。