标签：10 Tensor 输出 创建 torch Pytorch print data tensor

1、import from numpy / list

方法：torch.from_numpy(ndarray)
常见的初始化有torch.tensor和torch.Tensor
区别：

• tensor()：通过numpy 或 list 的现有数据初始化
• Tensor()：
  • 1、接收数据的维度（，）shape
  • 2、接收现有的数据[,]

Example：

a = np.array([1,2,3])
data = torch.from_numpy(a)
print(data)
"""
输出：
tensor([1, 2, 3], dtype=torch.int32)
"""
b = np.ones([2,3])
data1 = torch.from_numpy(b)
print(data1)
"""
输出：
tensor([[1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)
"""
# 参数为 list
print(torch.tensor([2.,1.2]))
"""
输出：
tensor([2.0000, 1.2000])
"""

2、未初始化 / 设置默认类型

方法：

　　torch.empty(size)

　　torch.FloatTensor(d1,d2,d3)

       torch.InrTensor(d1,d2,d3)

       torch.set_default_tensor_type(torch.DoubleTensor (设置默认类型)

Example：

# 未初始化
data = torch.empty(1)
print(data)
print(torch.Tensor(2,3))
print(torch.IntTensor(3,4))
"""
输出：
tensor([0.])
tensor([[0.0000e+00, 0.0000e+00, 2.8026e-45],
        [0.0000e+00, 1.4013e-45, 0.0000e+00]])
tensor([[1718379891, 1698963500, 1701013878, 1986356256],
        [ 744842089, 1633899296, 1416782188,  543518841],
        [1887007844, 1646275685,  543977327, 1601073006]], dtype=torch.int32)
"""
 
print(torch.tensor([1.,2]).type())
torch.set_default_tensor_type(torch.DoubleTensor)
print(torch.tensor([1.,2]).type())
"""
输出：
torch.FloatTensor
torch.DoubleTensor
"""

3、随机生成
　　torch.rand(size)：产生[0,1]均匀分布的数据
　　torch.rand_like(input, dtype)：接收tensor读取shape再用rand生成
　　torch.randint(low = 0, high, size)：随机生成整数值tensor，范围 [min，max)：左闭右开
　　torch.randn(size)：N（0,1）均值为0，方差为1的正态分布（N（u，std））
　　torch.full(size, fill_value)：全部赋予相同的值
　　torch.normal(means,std,out = None)
　　　　返回一个张量，包含从给定参数means,std的离散正态分布中抽取随机数。 均值means是一个张量，包含每个输出元素相关的正态分布的均值。 std是一个张量，包含每个输出元素相关的正态分布的标准差。 均值和标准差的形状不须匹配，但每个张量的元素个数须相同。
　　　　参数:
　　　　　　means (Tensor) – 均值
　　　　　　std (Tensor) – 标准差
　　　　　　out (Tensor) – 可选的输出张量

Example：

data = torch.rand(3,3)
print(data)
"""
输出：
tensor([[0.0775, 0.2610, 0.0833],
        [0.7911, 0.6999, 0.6589],
        [0.4790, 0.6801, 0.6582]])
"""
data_like = torch.randn_like(data)
print(data_like)
"""
输出：
tensor([[ 0.6866,  2.5939, -0.2480],
        [-0.9259, -0.3617,  0.5759],
        [-1.0179, -1.0938,  0.6426]])
"""
print(torch.randint(1,10,[3,3]))
"""
输出：
tensor([[7, 3, 2],
        [8, 6, 7],
        [7, 7, 7]])
"""
 
data = torch.randn(3,3)
print(data)
"""
输出：
tensor([[-0.6225, -0.1253, -0.1083],
        [-0.3199, -0.5670,  0.2898],
        [-0.6500,  0.9275,  1.0377]])
"""
data = torch.normal(mean=torch.full([10],0),std=torch.arange(1,0,-0.1))
print(data)
"""
输出：
tensor([-0.6509, -1.4877,  0.4740,  1.1891,  0.1009, -0.4449, -0.3422,  0.1519,
        -0.2735,  0.1140])
"""
print(torch.full([2,4],7))
print(torch.full([],7)) # 标量
"""
输出：
tensor([[7., 7., 7., 7.],
        [7., 7., 7., 7.]])
tensor(7.)
"""

4、序列生成
　　torch.arange(start, end, step)
　　　　# [start,end) 左闭右开，默认步长为1
　　torch.range(start, end, step) (已被arange替代)
　　　　# 包括end，step是两个点间距
　　torch.linspace(start, end, steps) # 等差数列
　　　　# 包括end, steps 是点的个数，包括端点, (等距离)
　　torch.logspace(start, end, steps) #

Example：

print(torch.arange(0,10))
print(torch.arange(0,10,2))
print(torch.linspace(0,10,steps=3))
print(torch.linspace(0,10,steps=11))
print(torch.logspace(0,-1,steps=10))
print(torch.logspace(0,1,steps=10))
"""
输出：
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
tensor([0, 2, 4, 6, 8])
tensor([ 0.,  5., 10.])
tensor([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])
tensor([1.0000, 0.7743, 0.5995, 0.4642, 0.3594, 0.2783, 0.2154, 0.1668, 0.1292,
        0.1000])
tensor([ 1.0000,  1.2915,  1.6681,  2.1544,  2.7826,  3.5938,  4.6416,  5.9948,
         7.7426, 10.0000])
"""

5、全零、全一、单位矩阵

　　torch.zeros(size)
　　torch.zeros_like(input, dtype)
　　torch.ones(size)
　　torch.ones_like(input, dtype)
　　torch.eye(size)

 

Example：

print(torch.ones(3,3))
print(torch.zeros(2,3))
print(torch.eye(4,4))
print(torch.eye(2))
"""
输出：
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])
tensor([[0., 0., 0.],
        [0., 0., 0.]])
tensor([[1., 0., 0., 0.],
        [0., 1., 0., 0.],
        [0., 0., 1., 0.],
        [0., 0., 0., 1.]])
tensor([[1., 0.],
        [0., 1.]])
"""

6、torch.randperm(n) # 生成一个0到n-1的n-1个整数的随机排列

Example：

print(torch.randperm(10))
"""
输出：
tensor([0, 1, 4, 7, 9, 8, 6, 3, 2, 5])
"""

 

标签：10,Tensor,输出,创建,torch,Pytorch,print,data,tensor
来源： https://www.cnblogs.com/BlairGrowing/p/16074646.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。