技術標籤：深度學習深度學習機器學習pytorch

張量的生成：

import torch
import numpy as np

# 使用tensor.tensor()函式構造張量
a = torch.tensor([[1.0, 1.0], [2., 2.]])
print(a)

# 獲取張量的維度
print("張量的維度", a.shape)

# 獲取張量的形狀大小
print("張量的大小", a.size())

# 獲取張量中元素的個數
print("張量的元素個數", a.numel())

# 使用tensor.tensor()函式構造張量時
 

# 可以使用引數dtype修改張量的資料型別
# 使用requires_grad來指定張量是否需要計算梯度
b = torch.tensor((1, 2, 3), dtype=torch.float32, requires_grad=True)
print(b)

# 對於張量b計算sum(b^2)在每個元素上的梯度
y = b.pow(2).sum()
y.backward()
# 梯度求解的方法
# https://blog.csdn.net/huyaoyu/article/details/81059315
print("梯度為", b.grad)
# 注意只有浮點型別的張量可以計算梯度
 


# torch.Tensor()函式生成張量
c = torch.Tensor([1., 2., 3., 4.])
print(c)

# 根據形狀引數構建特定尺寸的張量
d = torch.Tensor(2, 3)
print("2*3的形狀張量：\n", d)

# 根據已經生成的張量可以使用torch.like()系列函式生成與指定張量維度相同，性質類似的張量
print("建立一個與d相同大小和型別的全1張量", torch.ones_like(d))
print("建立一個與d維度相同的全0張量", torch.zeros_like(
 
d))
print("建立一個與d維度相同的隨機張量", torch.rand_like(d))
e = [[1., 2.], [3., 4.]]
e = d.new_tensor(e)
print("將e列表轉換為與d型別相似但尺寸不同的張量", d.new_tensor(e))
print(e.dtype)
print(d.dtype)
print("3*3使用1填充的張量：", d.new_full((3, 3), fill_value=1))
print("3*3的全0的張量：", d.new_zeros((3, 3)))
print("建立一個3*3的空張量", d.new_empty((3, 3)))
print("建立一個3*3的全一張量：", d.new_ones((3, 3)))

# 張量和numpy資料型別的轉換
# 利用numpy陣列生成張量
f = np.ones((3, 3))
ftensor = torch.as_tensor(f)
print(ftensor)
ftensor = torch.from_numpy(f)
print(ftensor)
# 使用numpy生成的陣列預設就是64位浮點型陣列

# 使用torch.numpy()函式可轉換為numpy陣列
print(ftensor.numpy())

# 隨機生成張量
torch.manual_seed(123)
# 通過指定均值和標準差來生成隨機數
a = torch.normal(mean=0, std=torch.tensor(1.0))
print(a)
# 如果mean引數和std引數有多個，那麼則生成多個隨機數
a = torch.normal(mean=0, std=torch.arange(1, 5.0))
print(a)
a = torch.normal(mean=torch.arange(1, 5.0), std=torch.arange(1, 5.0))
print(a)

# 使用torch.rand()函式，在區間[0,1]生成均勻分佈的張量
b = torch.rand(3, 4)
print(b)

# 使用torch.rand_like()函式，可根據其他張量的維度，生成與其維度相同的隨機張量
c = torch.ones(2, 3)
d = torch.rand_like(c)
print(d)

# 使用torch.randn()和torch.rand_like()函式則可生成服從標準正態分佈的隨機張量
print(torch.randn(3, 3))
print(torch.rand_like(c))

# 使用torch.randperm(n)函式則可將0~n(包含0，不包含n)之間的中的整數隨機排序後輸出
print(torch.randperm(10))

# 其他生成張量的函式
# start指定開始，end指定結束,step指定步長
print(torch.arange(start=0, end=10, step=2))

# torch.linspace()函式在範圍內生成固定數量的等間隔張量
print(torch.linspace(start=0, end=10, steps=10))

# torch.logspace()函式生成一對數為間隔的張量
print(torch.logspace(start=0, end=10, steps=10))

# 生成全0張量
print(torch.zeros(3, 3))

# 生成全1張量
print(torch.ones(3, 3))

# 生成單位張量
print(torch.eye(3, 3))

# 生成用0.25填充的張量
print(torch.full((3, 3), fill_value=0.25))