文章目录
- 张量的创建
- 1. 安装 PyTorch
- 2. 基本创建方式
- 2.1 torch.tensor 根据指定数据创建张量
- 2.2. torch.Tensor 根据形状创建张量, 其也可用来创建指定数据的张量
- 2.3. 指定类型的张量创建
- 2.3.1. torch.IntTensor：创建整数类型张量
- 2.3.2. torch.FloatTensor：创建浮点类型张量
- 2.3.3. torch.DoubleTensor：创建双精度浮点类型张量
- 2.4. 指定数据类型的其他方式
- 2.5. 总结
- 3. 创建线性和随机张量
- 3.1 创建线性张量
- 3.1.1. torch.arange：创建等间隔的整数张量
- 3.1.2. torch.linspace：创建等间隔的浮点数张量
- 3.2. 随机种子设置
- 3.2.1 torch.random.manual_seed：设置随机种子
- 3.3. 创建随机张量
- 3.3.1. torch.randn：创建标准正态分布的随机张量
- 3.3.2. torch.rand：创建均匀分布的随机张量
- 3.3.3. torch.randint：创建整数随机张量
- 3.4. 总结
- 4. 创建全 0\1 张量
- 4.1. 创建全1 张量
- 4.1.1. torch.ones：创建全 1 张量
- 4.1.2. torch.ones_like：创建与输入张量形状相同的全 1 张量
- 4.2. 创建全 0 张量
- 4.2.1. torch.zeros：创建全 0 张量
- 4.2.2. torch.zeros_like：创建与输入张量形状相同的全 0 张量
- 4.3. 创建全为指定值的张量
- 4.3.1. torch.full：创建全为指定值的张量
- 4.3.2. torch.full_like：创建与输入张量形状相同的全为指定值的张量
- 4.4. 总结
- 5. 张量元素类型转换
- 5.1. 使用 tensor.type() 方法
- 5.2. 使用 tensor.double() 方法
- 5.3. 其他类型转换方法
- 5.4. 使用 tensor.to() 方法
- 5.4.1. 转换数据类型
- 5.4.2. 同时转换设备和数据类型
- 5.5. 总结
张量的创建
PyTorch 是一个广泛使用的开源深度学习框架，由 Facebook 的 AI 研究团队开发，并以其灵活性和易于使用的特性而受到许多研究者和开发者的喜爱。它将数据封装成张量（Tensor）来进行运算。PyTorch 中的张量就是元素为同一种数据类型的多维矩阵。在 PyTorch 中，张量以 “类” 的形式封装起来，对张量的一些运算、处理的方法被封装在类中。
1. 安装 PyTorch
首先，确保你已经安装了 PyTorch。你可以通过 Python 的包管理器 pip 来安装它：
pip install torch torchvision
2. 基本创建方式
torch.IntTensor、torch.FloatTensor、torch.DoubleTensor 创建指定类型的张量
2.1 torch.tensor 根据指定数据创建张量
torch.tensor 是直接从数据（如列表、元组等）创建张量的方法。它会根据输入的数据推断数据类型（dtype）。
import torch
# 从列表创建张量
data = [1, 2, 3, 4]
x = torch.tensor(data)
print(x)
print(x.dtype) # 默认推断为 torch.int64
程序输出：
tensor([1, 2, 3, 4])
torch.int64
2.2. torch.Tensor 根据形状创建张量, 其也可用来创建指定数据的张量
torch.Tensor 是一个类，可以用来创建未初始化的张量。它接受形状（shape）作为参数，返回一个未初始化的张量。
# 创建一个 2x3 的未初始化张量
x = torch.Tensor(2, 3)
print(x)
输出：
tensor([[1.4013e-45, 0.0000e+00, 1.4013e-45],[0.0000e+00, 1.4013e-45, 0.0000e+00]])
注意：torch.Tensor 也可以用来创建指定数据的张量，但不推荐这种方式，因为它的行为不如 torch.tensor 直观。
# 不推荐：从列表创建张量
data = [1, 2, 3, 4]
x = torch.Tensor(data)
print(x)
输出：
tensor([1., 2., 3., 4.])
2.3. 指定类型的张量创建
PyTorch 提供了多种数据类型（dtype），可以通过以下方式创建指定类型的张量：
2.3.1. torch.IntTensor：创建整数类型张量
# 创建一个 2x2 的整数类型张量
x = torch.IntTensor([[1, 2], [3, 4]])
print(x)
print(x.dtype) # torch.int32
输出：
tensor([[1, 2],[3, 4]], dtype=torch.int32)
torch.int32
2.3.2. torch.FloatTensor：创建浮点类型张量
# 创建一个 2x2 的浮点类型张量
x = torch.FloatTensor([[1, 2], [3, 4]])
print(x)
print(x.dtype) # torch.float32
输出：
ensor([[1., 2.],[3., 4.]])
torch.float32
2.3.3. torch.DoubleTensor：创建双精度浮点类型张量
# 创建一个 2x2 的双精度浮点类型张量
x = torch.DoubleTensor([[1, 2], [3, 4]])
print(x)
print(x.dtype) # torch.float64
输出：
tensor([[1., 2.],[3., 4.]], dtype=torch.float64)
torch.float64
2.4. 指定数据类型的其他方式
除了使用 torch.IntTensor、torch.FloatTensor 等，还可以通过 dtype 参数直接指定数据类型。
# 创建一个 2x2 的浮点类型张量
x = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32)
print(x)
print(x.dtype) # torch.float32
输出：
tensor([[1., 2.],[3., 4.]])
torch.float32
2.5. 总结
| 方法 | 用途 |
|---|---|
| torch.tensor(data) | 根据数据创建张量，自动推断数据类型。 |
| torch.Tensor(shape) | 根据形状创建未初始化的张量。 |
| torch.IntTensor(data) | 创建整数类型（torch.int32）的张量。 |
| torch.FloatTensor(data) | 创建浮点类型（torch.float32）的张量。 |
| torch.DoubleTensor(data) | 创建双精度浮点类型（torch.float64）的张量。 |
| torch.tensor(data, dtype=…) | 创建指定数据类型的张量（推荐，更直观且灵活）。 |
3. 创建线性和随机张量
3.1 创建线性张量
3.1.1. torch.arange：创建等间隔的整数张量
torch.arange 用于创建一个从起始值到结束值（不包括结束值）的等间隔整数张量。
import torch
# 创建一个从 0 到 9 的张量
x = torch.arange(10)
print(x)
输出：
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
可以指定起始值、结束值和步长：
# 创建一个从 2 到 8，步长为 2 的张量
x = torch.arange(2, 10, 2)
print(x)
输出：
tensor([2, 4, 6, 8])
3.1.2. torch.linspace：创建等间隔的浮点数张量
torch.linspace 用于创建一个从起始值到结束值的等间隔浮点数张量，可以指定元素的数量。
# 创建一个从 0 到 1 的 5 个等间隔元素的张量
x = torch.linspace(0, 1, 5)
print(x)
输出：
tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000])
3.2. 随机种子设置
为了保证随机实验的可重复性，可以设置随机种子。
3.2.1 torch.random.manual_seed：设置随机种子
# 设置随机种子
torch.random.manual_seed(42)
# 创建一个随机张量
x = torch.randn(2, 2)
print(x)
输出：
tensor([[ 0.3367, 0.1288],[ 0.2345, 0.2303]])
注：每次运行代码时，生成的随机张量都会相同。
3.3. 创建随机张量
3.3.1. torch.randn：创建标准正态分布的随机张量
torch.randn 用于创建服从标准正态分布（均值为 0，方差为 1）的随机张量。
# 创建一个 2x2 的标准正态分布随机张量
x = torch.randn(2, 2)
print(x)
输出：
tensor([[-0.4032, 0.8380],[-1.3886, -0.2935]])
3.3.2. torch.rand：创建均匀分布的随机张量
torch.rand 用于创建在 [0, 1) 区间内均匀分布的随机张量。
# 创建一个 2x2 的均匀分布随机张量
x = torch.rand(2, 2)
print(x)
输出：
tensor([[0.1234, 0.5678],[0.9101, 0.2345]])
3.3.3. torch.randint：创建整数随机张量
torch.randint 用于创建指定范围内的整数随机张量。
# 创建一个 2x2 的随机整数张量，范围在 [0, 10)
x = torch.randint(0, 10, (2, 2))
print(x)
输出：
tensor([[3, 7],[2, 5]])
3.4. 总结
| 方法 | 用途 |
|---|---|
| torch.arange(start, end, step) | 创建等间隔的整数张量。 |
| torch.linspace(start, end, steps) | 创建等间隔的浮点数张量。 |
| torch.random.manual_seed(seed) | 设置随机种子，确保实验可重复。 |
| torch.randn(shape) | 创建标准正态分布的随机张量。 |
| torch.rand(shape) | 创建 [0, 1) 区间内均匀分布的随机张量。 |
| torch.randint(low, high, shape) | 创建指定范围内的整数随机张量。 |
4. 创建全 0\1 张量
4.1. 创建全1 张量
4.1.1. torch.ones：创建全 1 张量
torch.ones 用于创建指定形状的全 1 张量。
import torch# 创建一个 2x3 的全 1 张量
x = torch.ones(2, 3)
print(x)
输出：
tensor([[1., 1., 1.],[1., 1., 1.]])
4.1.2. torch.ones_like：创建与输入张量形状相同的全 1 张量
torch.ones_like 用于创建一个与输入张量形状相同的全 1 张量。
# 创建一个与 x 形状相同的全 1 张量
y = torch.ones_like(x)
print(y)
输出：
tensor([[1., 1., 1.],[1., 1., 1.]])
4.2. 创建全 0 张量
4.2.1. torch.zeros：创建全 0 张量
torch.zeros 用于创建指定形状的全 0 张量。
# 创建一个 2x3 的全 0 张量
x = torch.zeros(2, 3)
print(x)
输出：
tensor([[0., 0., 0.],[0., 0., 0.]])
4.2.2. torch.zeros_like：创建与输入张量形状相同的全 0 张量
torch.zeros_like 用于创建一个与输入张量形状相同的全 0 张量。
# 创建一个与 x 形状相同的全 0 张量
y = torch.zeros_like(x)
print(y)
输出：
tensor([[0., 0., 0.],[0., 0., 0.]])
4.3. 创建全为指定值的张量
4.3.1. torch.full：创建全为指定值的张量
torch.full 用于创建指定形状且所有元素为指定值的张量。
# 创建一个 2x3 的全为 5 的张量
x = torch.full((2, 3), 5)
print(x)
输出：
tensor([[5, 5, 5],[5, 5, 5]])
4.3.2. torch.full_like：创建与输入张量形状相同的全为指定值的张量
torch.full_like 用于创建一个与输入张量形状相同且所有元素为指定值的张量。
# 创建一个与 x 形状相同的全为 10 的张量
y = torch.full_like(x, 10)
print(y)
输出：
tensor([[10, 10, 10],[10, 10, 10]])
4.4. 总结
| 方法 | 用途 |
|---|---|
| torch.ones(shape) | 创建指定形状的全 1 张量。 |
| torch.ones_like(input) | 创建与输入张量形状相同的全 1 张量。 |
| torch.zeros(shape) | 创建指定形状的全 0 张量。 |
| torch.zeros_like(input) | 创建与输入张量形状相同的全 0 张量。 |
| torch.full(shape, value) | 创建指定形状且所有元素为指定值的张量。 |
| torch.full_like(input, value) | 创建与输入张量形状相同且所有元素为指定值的张量。 |
5. 张量元素类型转换
5.1. 使用 tensor.type() 方法
tensor.type() 方法可以将张量转换为指定的类型。
import torch# 创建一个浮点类型的张量
x = torch.tensor([1.0, 2.0, 3.0])
print(x.dtype) # 默认是 torch.float32# 转换为双精度浮点类型 (torch.float64)
x_double = x.type(torch.DoubleTensor)
print(x_double)
print(x_double.dtype)
输出：
torch.float32
tensor([1., 2., 3.], dtype=torch.float64)
torch.float64
5.2. 使用 tensor.double() 方法
tensor.double() 是 tensor.type(torch.DoubleTensor)
的简写形式，用于将张量转换为双精度浮点类型（torch.float64）。
# 转换为双精度浮点类型
x_double = x.double()
print(x_double)
print(x_double.dtype)
输出：
tensor([1., 2., 3.], dtype=torch.float64)
torch.float64
5.3. 其他类型转换方法
PyTorch 提供了多种类型转换方法，类似于 tensor.double()，可以直接调用：
| 方法 | 转换为的类型 |
|---|---|
| tensor.float() | torch.float32 |
| tensor.double() | torch.float64 |
| tensor.half() | torch.float16 |
| tensor.int() | torch.int32 |
| tensor.long() | torch.int64 |
| tensor.short() | torch.int16 |
| tensor.byte() | torch.uint8 |
| tensor.bool() | torch.bool |
| 示例： |
# 创建一个浮点类型的张量
x = torch.tensor([1.0, 2.0, 3.0])# 转换为整型
x_int = x.int()
print(x_int)
print(x_int.dtype)# 转换为布尔型
x_bool = x.bool()
print(x_bool)
print(x_bool.dtype)
输出：
tensor([1, 2, 3], dtype=torch.int32)
torch.int32
tensor([True, True, True])
torch.bool
5.4. 使用 tensor.to() 方法
tensor.to() 是一个更通用的方法，可以用于设备（CPU/GPU）和类型的转换。
5.4.1. 转换数据类型
# 转换为双精度浮点类型
x_double = x.to(torch.float64)
print(x_double)
print(x_double.dtype)
输出：
tensor([1., 2., 3.], dtype=torch.float64)
torch.float64
5.4.2. 同时转换设备和数据类型
# 转换为 GPU 上的双精度浮点类型
if torch.cuda.is_available():x_gpu = x.to(device='cuda', dtype=torch.float64)print(x_gpu)print(x_gpu.dtype)
5.5. 总结
| 方法 | 用途 |
|---|---|
| tensor.type(torch.DoubleTensor) | 将张量转换为指定类型（如 torch.float64）。 |
| tensor.double() | 将张量转换为双精度浮点类型（torch.float64）。 |
| tensor.float() | 将张量转换为单精度浮点类型（torch.float32）。 |
| tensor.int() | 将张量转换为整型（torch.int32）。 |
| tensor.to(dtype=…) | 通用方法，支持设备转换和类型转换。 |
![基于asp.net实现的连锁餐厅收银系统[包运行成功+永久免费答疑辅导]](https://img-blog.csdnimg.cn/img_convert/c0a1c4230c8d43159eca255b6f1f985a.png)
