pytorch创建tensor函数
就是一顿骚操作 人气:01、通过复制数据构造张量
1.1 torch.tensor()
torch.tensor([[0.1, 1.2], [2.2, 3.1], [4.9, 5.2]])
Out[111]:
tensor([[0.1000, 1.2000],
[2.2000, 3.1000],
[4.9000, 5.2000]])
torch.tensor([0, 1])
Out[112]: tensor([0, 1])
torch.tensor([[0.11111, 0.222222, 0.3333333]],
dtype=torch.float64, device=torch.device('cpu'))
Out[113]: tensor([[0.1111, 0.2222, 0.3333]], dtype=torch.float64)
torch.tensor(3.14159)
Out[114]: tensor(3.1416)
torch.tensor([])
Out[115]: tensor([])
torch.tensor([[0.11111, 0.222222, 0.3333333]],
dtype=torch.float64, device=torch.device('cpu'), requires_grad=True, pin_memory=False)
Out[117]: tensor([[0.1111, 0.2222, 0.3333]], dtype=torch.float64, requires_grad=True)dtype（torch.dtype，可选）–返回张量的所需数据类型。默认值：如果没有，则根据数据推断数据类型。device（torch.device，可选）–构造张量的装置。如果没有，并且数据是张量，那么就使用数据设备。如果没有且数据不是张量，则结果张量在CPU上构造。require_grad（bool，可选）– 是否需要保留梯度信息。默认值：False。pin_memory（bool，可选）–如果设置了，返回的张量将分配到pind内存中。仅适用于CPU张量。默认值：False。
1.2 将numpy的ndarray转为tensor
>>> a = numpy.array([1, 2, 3])
>>> t = torch.as_tensor(a)
>>> t
tensor([1, 2, 3])
>>> t[0] = -1
>>> a
array([-1, 2, 3])
>>> a = numpy.array([1, 2, 3])
>>> t = torch.as_tensor(a, device=torch.device('cuda'))
>>> t[0] = -1
>>> a
array([1, 2, 3])
t = torch.as_tensor([2, 2, 2], device=torch.device('cuda'))
>>> t
tensor([2, 2, 2], device='cuda:0')
a = numpy.array([1, 2, 3])
t = torch.from_numpy(a)
t
Out[38]: tensor([1, 2, 3])
t[0] = -1
a
Out[40]: array([-1, 2, 3])2、生成全0或者全1的tensor
torch.zeros(2, 3) Out[41]: tensor([[0., 0., 0.], [0., 0., 0.]]) torch.zeros(5) Out[42]: tensor([0., 0., 0., 0., 0.]) torch.ones(2, 3) Out[43]: tensor([[1., 1., 1.], [1., 1., 1.]]) torch.ones(5) Out[44]: tensor([1., 1., 1., 1., 1.])
参数列表:
out：输出的对象dtype:返回的张量的所需数据类型。默认值：如果没有，则使用全局默认值（请参阅torch.set_Default_tensor_type（））。layoutdevice: 构造张量的装置。如果没有，并且数据是张量，那么就使用数据设备。如果没有且数据不是张量，则结果张量在CPU上构造。requires_grad: 是否需要保留梯度信息。默认值：False。
3、生成序列
3.1、 生成一个指定步长的等差序列
torch.arange(5) Out[45]: tensor([0, 1, 2, 3, 4]) torch.arange(1, 4) Out[46]: tensor([1, 2, 3]) torch.arange(1, 2.5, 0.5) Out[47]: tensor([1.0000, 1.5000, 2.0000])
start: 点集的开始值。默认值：0。end: 点集的结束值step: 每对相邻点之间的间隙。默认值：1，可以是小数。
3.2 生成一个指定步数的等差数列
torch.linspace(3, 10, steps=5) Out[49]: tensor([ 3.0000, 4.7500, 6.5000, 8.2500, 10.0000]) torch.linspace(-10, 10, steps=5) Out[50]: tensor([-10., -5., 0., 5., 10.]) torch.linspace(start=-10, end=10, steps=1) Out[51]: tensor([-10.])
4、生成指定大小的单位矩阵
torch.eye(3) Out[58]: tensor([[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]])
5、生成一个指定大小张量
torch.empty((2,3), dtype=torch.int64) Out[59]: tensor([[0, 0, 0], [0, 0, 2]])
6、 创建一个指定大小的张量。张量的数据是填充的指定值
torch.full((2, 3), 3.141592) Out[67]: tensor([[3.1416, 3.1416, 3.1416], [3.1416, 3.1416, 3.1416]])
加载全部内容