pytorch第02天 创建张量

创建张量


除了可以像上节课一样,使用.tensor(),.FloatTensor(),.Tensor()等函数来初始化一个张量,还可以用.from_numpy()函数把numpy的数据类型转化为tensor(详见第一天笔记),还可以用很多方法生成。

1 rand,randn,randint,rand_like,rand_perm的使用

.rand(shape)生成服从[0, 1]均匀分布的张量
.rand(n)生成一个含有n个元素的向量,每个元素由均匀分布采样而成。
.randn(shape)生成服从标准正态分布的张量
.randint(min,max,shape)生成一个指定形状的张量,该张量的元素从[min, max)中随机取整
.rand_like(a)将a的shape拿出来,然后输入.rand(),其中a只能为浮点型,不能为整型,因为rand函数是0-1之间的均匀分布,可能的两个整数是0或者1,都在分布区间的边界。
.rand_like(a)相当于.rand(a.shape),但是.rand(a.shape)中,a可以是整型
torch中,*_like(a)函数,都会提取a对象的size

rint('---------a----------')
a = torch.randint(1, 5, (3, 3))     # 在[1, 5)上随机取值,组成3x3矩阵
print(a)

print('----------b----------')
m = torch.FloatTensor(2, 3)
b = torch.rand_like(m)              # 让b与m维度相同
print(b)

print('---------c------------')
c = torch.rand(a.shape)
print(c)

输出

---------a----------
tensor([[2, 3, 3],
        [4, 4, 2],
        [4, 1, 2]])
----------b----------
tensor([[0.9532, 0.8631, 0.3422],
        [0.2206, 0.0818, 0.7083]])
---------c------------
tensor([[0.8685, 0.6719, 0.5644],
        [0.9357, 0.4897, 0.4805],
        [0.4164, 0.8479, 0.6756]])

在torch.rand_like()函数中,如果想要取某个整型张量的形状,必须设定新生成元素的类型为浮点型。假如a的类型是IntTensor,现在要取a的形状,可以这样写:

print('----------d-----------')
d = torch.rand_like(a,dtype=torch.double) # 取a的维度,并生成double型张量
print(d)
print(d.type())

如果上述程序的第二行改为:d = torch.rand_like(a, dtype=torch.int)则会报错
输出

----------d-----------
tensor([[0.1785, 0.5559, 0.5255],
        [0.8970, 0.0486, 0.6113],
        [0.2485, 0.5304, 0.8705]], dtype=torch.float64)
torch.DoubleTensor

.randperm(n)生成一个[0,n)的整型张量,并打乱

idx = torch.randperm(10)
print(idx)

输出

tensor([9, 4, 6, 1, 7, 2, 5, 8, 3, 0])

2 张量类型与元素类型的关系

这里补充一下元素类型的概念,前面讲了张量类型,那是对整个张量而言的,但对张量中的具体某个元素,它的常用类型如下:

torch.short或torch.int16   
torch.int或torch.int32   
torch.long或torch.int64   
torch.float或torch.float32   
torch.double或torch.float64   
torch.bool

张量类型与元素类型是一一对应的,比如,如果张量a的类型是torch.FloatTensor,那么这个张量的元素类型是torch.float,其他的组合也是类似。
可以用.dtype属性来获取张量中元素的类型,注意是属性,不是函数

import torch
a = torch.BoolTensor(2, 3)     # 生成一个2x3的Bool型张量,元素的默认值为False
print(a)
print(a.dtype)

输出

tensor([[False, False, False],
        [False, False, False]])
torch.bool

可以用a.short(),a.int(),a.long(),a.float(),a.double()来实现变量之间的转换,转换规则为:字节数多的字节数少的转换,则去掉高位字节,字节数少的向字节数多的转换,则补充字节。

3 填充函数

.full() 填充函数,输出的张量,其每个元素都相同
比如,把7填充到一个2行3列的矩阵中,可以这样写

a = torch.full((2, 3), 7.)
print(a)
print(a.type())

注意,这里填充的时候,只能填浮点型,所以要用7. 而非7,输出

tensor([[7., 7., 7.],
        [7., 7., 7.]])
torch.FloatTensor

如果填充的时候填充的是整型7,那么必须特别指定元素类型,例如

b = torch.full((2, 3), 7, dtype=torch.int)
print(b)
print(b.type())

输出

tensor([[7, 7, 7],
        [7, 7, 7]], dtype=torch.int32)
torch.IntTensor

也可以用full函数获得一个向量

c = torch.full((5,), 7.)
print(c)
print(c.type())

输出

tensor([7., 7., 7., 7., 7.])
torch.FloatTensor

pytorch中的向量,相当于numpy中的一维数组,因为只有一个方括号括起来的
因为在pytorch中,size和shape是一样的,所以在指定尺寸的时候,既可以用元组,也可以用列表。因此,
如果要生成向量,可以用c = torch.full([5], 7.)
如果要生成矩阵,可以用c = torch.full([2, 3], 7.)

4 arange与range函数

arange(start,end,step)函数表示生成一个序列,不包括end,既能用于整数,也能用于小数,步长既能为正,也能为负。要么只写end,要么把stat,end,step三个同时写出来。

import torch
print(torch.arange(10))
print(torch.arange(0, 10, 2))

输出

tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
tensor([0, 2, 4, 6, 8])

range(start,end,step)生成的序列包括end,但具体还得看步长,不推荐使用

print(torch.range(0, 5))	# 0不能省略
print(torch.range(0, 5, 2))

输出

tensor([0., 1., 2., 3., 4., 5.])
tensor([0., 2., 4.])

5 randn(shape) 生成标准正态分布

.normal(mean=tensor1, std=tensor2),tensor1和tensor2的尺寸要相同,tensor1提供相应位置的均值,tensor2提供相应位置的标准差,标准差的平方才是方差。如

n= torch.normal(mean=torch.full([10],0.), std=torch.arange(10,0,-1))

生个一个含10个元素的张量,每个元素都来自正态分布,。

6 linspace

torch.linspace(start,end,steps) 注意,这里的steps不是步长,而是生成的张量元素个数,这里生成的序列,包含end

print(torch.linspace(5, 10, 10))

输出

tensor([ 5.0000,  5.5556,  6.1111,  6.6667,  7.2222,  7.7778,  8.3333,  8.8889,  9.4444,  10.0000])

7 单位矩阵

.eye(n)生成nxn单位矩阵

print(torch.eye(5))

输出

tensor([[1., 0., 0., 0., 0.],
        [0., 1., 0., 0., 0.],
        [0., 0., 1., 0., 0.],
        [0., 0., 0., 1., 0.],
        [0., 0., 0., 0., 1.]])

8 今日重点

1 torch.rand(2,3) torch.rand(5) torch.randint(2,8,(3,3)) torch.randperm(10)分别表示什么意思?
2 张量类型与元素类型的对应关系,如何获取张量的元素类型,Bool型张量的默认值为?
数据类型之间该如何转换?
3 torch.full((2, 3), 7.)什么意思,能不能把7.改成7?如果需要用整数7来填充,需要怎么做?
4 torch.arange(0, 10, 1)什么意思?如果想简便,该怎么写?
5 如何生成一个标准正态分布的张量,如何生成一个非标准正态分布的张量?
6 torch.linspace(5, 10, 10)什么意思,最后生成的张量,是否包含10?
7 如何生成一个5x5的单位矩阵?
8 torch.rand_like(a)中,a能不能为整型?如果a是整型,需要怎么做?

上一篇:登录页面


下一篇:我的博客即将入驻“云栖社区”,诚邀技术同仁一同入驻。