类型推断
torch.randn()：随机初始化
a.type()：返回类型
type()：返回基本类型
isinstance() ：检查类型
cuda会影响数据类型
标量
维度(dimention)为0的标量
标量的shape：
返回类型为【】(空的list)，返回长度也为0
a.dimension()也为0
Dim1
torch.tensor() ： 输入具体数据
torch.FloatTensor() ：输入类型大小
Dim1的shape
Dim2
Dim3
Dim4(一般用于图像)
创建Tensor
import from numpy
从numpy转化为tensor类型， 数据类型(float)不变，变量类型(np→numpy)变了
生成未初始化tensor
设置默认类型
随机初始化
torch.rand() ：随机采样【0,1】之间的数
torch.rand_like(a)： 采样出与a相同类型的tensor
torch.randint(min,max,[type])：不包含最大值
正态分布随机初始化
torch.normal(mean,std)： 自定义的正态分布，需要给出相同数量的均值和方差
重复填充
torch.full()：类型为[]时,表示生成的为标量
范围
torch.arange()：生成不包含最大值的等差数列
torch,linspace(min,max,steps= )：包含最大值，steps是切分后的数量
全1/零/单位矩阵
torch.eye()：中如果不是方阵，多余部分为0
随机打散
torch.randperm()： 生成不包含最大值的索引
下面对第一维进行shuffle，randperm中的参数必须与类型的第一维相同。a和b的idx相同，防止匹配错误
下图表示，randperm中定义需要两个索引时，分别返回a b的对应索引值
切片和索引
索引
取不到“ ：”后的元素
-1表示最后一个元素
分段采样
出现两个“：”表示的是：start ：end ：step(默认为1,为1可省略)
指定维度采样
“ ...”：表示同时取多个维度，只能全选或已知前后具体采样维度，剩下的全选，某一维度取“1”时，会自动降维
根据MASK选择
先根据条件，得到一定的掩码，根据满足条件的掩码值重新在原始数据中进行选择
铺展(Flatten)索引值
纬度变化
View Reshape
增维(Unsqueeze)
下面的a为标量，在第0维与第1维添加维度后，分别会变为[1,2] [2,1]
下面是bias向权重类型变化过程
降维(squeeze)
如果没有具体参数，将去除所有为“1”的维度
带有参数，将对对应维度进行去除
扩展(expand)
总维度必须相同，且只能从1维度扩展到指定维度或直接相同
“-1”保持原来维度不变
重复(repeat)
与expand参数不同，每个维度的值表示对对应维度进行的重复次数。
矩阵转置(transpose)
下面两行函数说明，即使前后的总体数据类型的大小相同，但是相同维度所表示的意义也进行了交换，因此不再表示同一Tensor
permute
可以自动调用transpose，并保证维度顺序的顺利交换
本文地址：https://blog.csdn.net/qq_42518956/article/details/107621610
希望与广大网友互动？？
点此进行留言吧！
