🍅 写在前面
👨🎓 博主介绍：大家好，这里是hyk写算法了吗，一枚致力于学习算法和人工智能领域的小菜鸟。
🔎个人主页：主页链接（欢迎各位大佬光临指导）
⭐️近期专栏：机器学习与深度学习
LeetCode算法实例
Pytorch实战
目录
- 张量的创建
- 一、直接创建
- 二、依据数值创建
- 三、依概率分布创建张量
- 张量的操作
- 一、张量拼接与切分
- 二、张量索引
- 三、张量变换
张量的创建
- 张量（Tensors）类似于NumPy的ndarrays（点NumPy实践了解），但张量可以在GPU上进行计算。
所以从本质上来说，PyTorch是一个处理张量的库。一个张量是一个数字、向量、矩阵或任何n维数组。 - 下面分别展示了0维张量到n位张量：
一、直接创建
1、
torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)
功能：从data创建tensor
- data: 数据，可以是list，numpy
- dtype: 数据类型，默认与data的一致
- device: 所在设备，cuda/cpu
- requires_grad: 是否需要梯度
- pin_memory: 是否存于锁页内存
2、
torch.from_numpy(ndarray)
功能：从numpy创建tensor
注意事项：从torch.from_numpy创建的tensor于原ndarray共享内存，当修改其中一个数据，另一个也将会被改动。
二、依据数值创建
1、
torch.zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
功能：依size创建全0张量
-
size: 张量的形状，如(3, 3)、(3, 224, 224)
-
out: 输出的张量
-
layout: 内存中布局形式，有strided, sparse_coo等
-
device: 所在设备，gpu/cpu
-
requires_grad: 是否需要梯度
2、
torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False)
功能：依input形状创建全0张量
- input: 创建与input同形状的全0张量
- dtype: 数据类型
- layout: 内存中布局形式
3、
torch.ones(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
4、
torch.ones_like(input, dtype=None, layout=None, device=None, requires_grad=False)
功能：依input形状创建全1张量
- size: 张量的形状，如(3, 3)、(3, 224, 224)
- dtype: 数据类型
- layout: 内存中布局形式
- device: 所在设备，gpu/cpu
- requires_grad: 是否需要梯度
5、
torch.full(size, fill_value, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
6、
torch.full_like(input, dtype=None, layout=torch.strided, device=None, requires_grad=False)
功能: 依input形状创建指定数据的张量
- size: 张量的形状，如(3, 3)
- fill_value: 张量的值
7、
torch.arange(start=0, end. step=1, out=None, dtype=None, - layout=torch.strided, device=None, requires_grad=False)
功能：创建等差的1维张量
- start: 数列起始值
- end: 数列“结束值”
- step: 数列公差，默认为1
8、
torch.linspace(start, end, steps=100, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
功能：创建均分的1维张量
- start: 数列起始值
- end: 数列结束值
- steps: 数列长度
三、依概率分布创建张量
1、
torch.normal(mean, std, out=None)
功能：生成正态分布（高斯分布）
- mean: 均值
- std: 标准差
四种模式：
mean为标量，std为标量
mean为标量，std为张量
mean为张量，std为标量
mean为张量，std为张量
2、
torch.randn(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
功能：生成标准正态分布
- size: 张量的形状
3、
torch.rand(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
功能：在区间 生成均匀分布
4、
torch.randint(low=0, high, size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
功能： 生成整数均匀分布
= size：张量的形状
5、
torch.randperm(n, out=None, dtype=torch.int64, layout=torch.strided, device=None, requires_grad=False)
功能：生成从0到n-1的随机排列
- n：张量的长度
张量的操作
一、张量拼接与切分
1、
torch.cat(tensors, dim=0, out=None)
功能：将张量按维度dim进行拼接
- tensors：张量序列
- dim：要拼接的维度
2、
torch.stack(tensors, dim=0, out=None)
功能：在新创建的维度dim上进行拼接
- tensors：张量序列
- dim：要拼接的维度
3、
torch.chunk(input, chunks, dim=0)
功能：将张量按维度dim进行平均切分
返回值：张量列表
注意事项：若不能整除，最后一份张量小于其他张量
- input：要切分的张量
- chunks：要切分的份数
- dim：要切分的维度
4、
torch.split(tensor, split_size_or_sections, dim=0)
功能：将张量按维度dim进行切分
返回值：张量列表
- tensor：要切分的张量
- split_size_or_sections：为int时，表示每一份的长度；为list时，按list元素切分
- dim：要切分的维度
二、张量索引
1、
torch.index_select(input, dim, index, out=None)
功能：在维度dim上，按index索引数据
返回值：依index索引数据拼接的张量
- index：要索引的张量
= dim：要索引的维度 - index：要索引数据的序号
2、
torch.masked_select(input, mask, out=None)
功能：按mask中的True进行索引
返回值：一维张量
- input：要索引的张量
- mask：与input同形状的布尔类型张量
三、张量变换
1、
torch.reshape(input, shape)
功能：变换张量形状
注意事项：当张量在内存中是连续时，新张量与input共享数据内存
- input：要变换的张量
- shape：新张量的形状
2、
torch.transpose(input, dim0, dim1)
功能：交换张量的两个维度
- input：要交换的张量
- dim0：要交换的维度
- dim1：要交换的维度
3、
torch.t(input)
功能：2维张量转置，对矩阵而言，等价于torch.transpose(input, 0, 1)
4、
torch.squeeze(input, dim=None, out=None)
功能：压缩长度为1的维度（轴）
- dim：若为None，移除所有长度为1的轴；若指定维度，当且仅当该轴长度为1时，可以被移除
5、
torch.unsqueeze(input, dim, out=None)
功能：依据dim扩展维度
- dim：扩展的维度
