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！