1 特殊张量的创建

与numpy类似，PyTorch中的张量也有很多特殊创建的形式。

zeros:全0张量

# 形状为2行3列
torch.zeros([2, 3])
# tensor([[0., 0., 0.],
#         [0., 0., 0.]])

ones:全1张量

# 形状为2行3列
torch.ones([2, 3])
# tensor([[1., 1., 1.],
#         [1., 1., 1.]])

eye:单位矩阵

torch.eye(3)
# tensor([[1., 0., 0.],
#         [0., 1., 0.],
#         [0., 0., 1.]])

diag:对角矩阵

在PyTorch中，需要利用一维张量去创建对角矩阵。

torch.diag(torch.tensor([1,2,3,4,5]))
# tensor([[1, 0, 0, 0, 0],
#         [0, 2, 0, 0, 0],
#         [0, 0, 3, 0, 0],
#         [0, 0, 0, 4, 0],
#         [0, 0, 0, 0, 5]])

rand：服从0-1均匀分布的张量

torch.rand(2, 3)
# tensor([[0.2154, 0.7666, 0.7396],
#         [0.3063, 0.9024, 0.0047]])

randn：服从标准正态分布的张量

torch.randn(3, 3)
# tensor([[ 1.2200, -1.0587,  1.0716],
#        [-1.2465, -0.3391,  1.2131],
#        [ 0.7201,  1.2034, -1.0660]])

normal服从指定正态分布的张量

# 均值为2，标准差为3的张量，形状为2行2列
torch.normal(2, 3, size = (2, 2))
# tensor([[9.0815, 0.9216],
#         [0.9856, 4.2866]])

randint整数随机采用

torch.randint(1, 10, size = [2, 4])
# tensor([[1, 8, 2, 3],
#         [5, 3, 5, 7]])

arange/linspace:生成数列

# 从1-5，左闭右开
torch.arange(5) 
# tensor([0, 1, 2, 3, 4])# 从1-5，左右都包含，等距取3个数
torch.linspace(1, 5, 3)
# tensor([1., 3., 5.])

empty:生成未初始化的指定形状矩阵

它生成的数近似于0，但不为0

torch.empty(2, 3)
# tensor([[-2.1193e-17,  4.5602e-41,  3.0720e-09],
#         [ 3.0630e-41,  0.0000e+00,  0.0000e+00]])

full:根据指定形状，填充指定数值

# 填充形状为2行4列，填充数值为2
torch.full([2, 4], 2)
# tensor([[2, 2, 2, 2],
#         [2, 2, 2, 2]])

2 _like后缀的用法

创建指定形状的数组，在上述函数后面加上_like即可。比如现在我们有一个张量t，形状为2行3列：

t = torch.tensor([[1, 2, 3], [4, 5, 6]])

我们想创建一个1-100随机数的张量，形状与张量t相同：

torch.randint_like(t, 1, 100)
# tensor([[57, 67, 77],
#         [76, 45, 31]])

上述函数都有_like方法，需要注意的是该方法转化需要注意转化前后数据类型一致的问题，若数据类型不一致，则会报错：

# randn为float型，而t为int型
# 转换数据类型不一致，就会报错
torch.randn_like(t)
# RuntimeError

3 张量与其他数据类型的转换

张量、数组和列表是较为相似的三种类型对象，在实际操作过程中，经常会涉及三种对象的相互转化。

3.1 .numpy()/np.array():张量转化为数组

# 使用.numpy()
t.numpy()
# array([1, 2, 3])# 使用np.array()
np.array(t)
# array([1, 2, 3])

3.2 tolist()/list():张量转化为列表

# 使用tolist()
t = torch.tensor([1, 2, 3])
t.tolist()
# [1, 2, 3]

需要注意的是，在使用list()时，此时转化的列表是由一个个零维张量构成的列表，而非张量的数值构成的列表。可理解为1维张量是由0维张量组成的。

# 使用list(),结果是零维张量构成的列表，为标量
list(t)
# [tensor(1), tensor(2), tensor(3)]

3.3 .item()：标量转化为数值

在很多情况下，我们需要将最终计算的结果张量转为单独的数值进行输出。

n = torch.tensor(1)
print(n)
# tensor(1)# 使用.item()方法将标量转为python中的数值
n.item()
# 1

4 张量的深拷贝

与python中其他对象类型一样，等号赋值操作实际上是浅拷贝，需要进行深拷贝，则需要使用clone方法。

4.1 浅拷贝

t1 = torch.arange(10)
t2 = t1
t2[1] = 10
print(t1)
# t1也被改变了
# tensor([ 0, 10,  2,  3,  4,  5,  6,  7,  8,  9])
print(t2)
# tensor([ 0, 10,  2,  3,  4,  5,  6,  7,  8,  9])

4.2 clone()深拷贝

t1 = torch.arange(10)
t2 = t1.clone()
t2[1] = 10# t1并没有被改变
print(t1)
# tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])# t2的第二个元素变成了10
print(t2)
# tensor([ 0, 10,  2,  3,  4,  5,  6,  7,  8,  9])

Pytorch张量操作大全：

Pytorch使用教学1-Tensor的创建
Pytorch使用教学2-Tensor的维度
Pytorch使用教学3-特殊张量的创建与类型转化
Pytorch使用教学4-张量的索引
Pytorch使用教学5-视图view与reshape的区别
Pytorch使用教学6-张量的分割与合并
Pytorch使用教学7-张量的广播
Pytorch使用教学8-张量的科学运算
Pytorch使用教学9-张量的线性代数运算
Pytorch使用教学10-张量操作方法大总结

有关Pytorch建模相关的AI干货请扫码关注公众号「AI有温度」阅读获取