创建Tensor下表给了一些常用的作参考。
| 函数 | 功能 |
|---|---|
| Tensor(*sizes) | 基础构造函数 |
| tensor(data,) | 类似np.array的构造函数 |
| ones(*sizes) | 全1Tensor |
| zeros(*sizes) | 全0Tensor |
| eye(*sizes) | 对角线为1，其他为0 |
| arange(s,e,step) | 从s到e，步长为step |
| linspace(s,e,steps) | 从s到e，均匀切分成steps份 |
| rand/randn(*sizes) | 均匀/标准分布 |
| normal(mean,std)/uniform(from,to) | 正态分布/均匀分布 |
| randperm(m) | 随机排列 |
创建Tensor和NumPy的数组
import numpy as np
import torch
# 类似于numpy
x = torch.arange(1,9,2)
print(x)
y = np.arange(1,9,2)
print(y)
# 创建5*3的未初始化tensor
x = torch.empty(5,3)
print(x)
y = np.empty([5,3])
print(y)
# 创建5*3的随机初始化tensor
x = torch.rand(5,3)
print(x)
y = np.random.rand(5,3)
print(y)
# 创建5*3的long型全0的tensor
x = torch.zeros(5,3,dtype=torch.long)
print(x)
y = np.zeros([5,3],dtype=np.long)
print(y)
# 创建4*4全为1的tensor
x = torch.ones(4,4)
print(x)
y = np.ones([4,4])
print(y)
# 创建4*4的单位tensor
x = torch.eye(4,4)
print(x)
y = np.eye(4,4)
print(y)
# 直接创建tensor
x = torch.tensor([[1,2,3],[4,5,6]])
print(x)
y = np.array([[1,2,3],[4,5,6]])
print(y)
x = torch.tensor(np.arange(12).reshape(3,4))
print(x)
# tensor一些属性
x = torch.tensor([[1,2],[3,4]])
print(x)
y = np.array([[1,2],[3,4]])
# 查看数据类型
print(x.dtype)
print(y.dtype)
# 查看形状
print(x.shape) # print(x.size())
print(x.size)
print(y.shape)
print(y.size)
输出：
tensor([1, 3, 5, 7])
[1 3 5 7]
tensor([[4.1327e-39, 8.9082e-39, 9.8265e-39],
[9.4592e-39, 1.0561e-38, 1.0653e-38],
[1.0469e-38, 9.5510e-39, 1.0102e-38],
[8.4490e-39, 8.9082e-39, 8.4490e-39],
[1.0194e-38, 1.0745e-38, 9.2755e-39]])
[[0.99537969 0.63659559 0.84111795]
[0.12392895 0.84133229 0.44756633]
[0.73434498 0.92331792 0.15648406]
[0.7112982 0.59707987 0.14628696]
[0.46465904 0.62735071 0.1993323 ]]
tensor([[0.8919, 0.5340, 0.8707],
[0.7676, 0.7845, 0.3222],
[0.3889, 0.1721, 0.4904],
[0.7376, 0.8286, 0.8451],
[0.2976, 0.2889, 0.5187]])
[[0.73119602 0.53034057 0.4751409 ]
[0.13117025 0.30697661 0.21826581]
[0.11899772 0.25654165 0.62288326]
[0.36888543 0.08219027 0.65804774]
[0.45289577 0.51710629 0.36201635]]
tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
[[0 0 0]
[0 0 0]
[0 0 0]
[0 0 0]
[0 0 0]]
tensor([[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]])
[[1. 1. 1. 1.]
[1. 1. 1. 1.]
[1. 1. 1. 1.]
[1. 1. 1. 1.]]
tensor([[1., 0., 0., 0.],
[0., 1., 0., 0.],
[0., 0., 1., 0.],
[0., 0., 0., 1.]])
[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]
[0. 0. 0. 1.]]
tensor([[1, 2, 3],
[4, 5, 6]])
[[1 2 3]
[4 5 6]]
tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]], dtype=torch.int32)
tensor([[1, 2],
[3, 4]])
torch.int64
int32
torch.Size([2, 2])
<built-in method size of Tensor object at 0x0000015D601B17C8>
(2, 2)
4
Tensor和NumPy相互转换
我们很容易用numpy()和from_numpy()将Tensor和NumPy中的数组相互转换。但是需要注意的一点是：
这两个函数所产生的的Tensor和NumPy中的数组共享相同的内存（所以他们之间的转换很快），改变其中一个时另一个也会改变！！！
还有一个常用的将NumPy中的array转换成
Tensor的方法就是torch.tensor(), 需要注意的是，此方法总是会进行数据拷贝（就会消耗更多的时间和空间），所以返回的Tensor和原来的数据不再共享内存。
Tensor转NumPy
使用numpy()将Tensor转换成NumPy数组:
a = torch.ones(5)
b = a.numpy()
print(a, b)
a += 1
print(a, b)
b += 1
print(a, b)
输出：
tensor([1., 1., 1., 1., 1.]) [1. 1. 1. 1. 1.]
tensor([2., 2., 2., 2., 2.]) [2. 2. 2. 2. 2.]
tensor([3., 3., 3., 3., 3.]) [3. 3. 3. 3. 3.]
NumPy数组转Tensor
使用from_numpy()将NumPy数组转换成Tensor:
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
print(a, b)
a += 1
print(a, b)
b += 1
print(a, b)
输出：
[1. 1. 1. 1. 1.] tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
[2. 2. 2. 2. 2.] tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
[3. 3. 3. 3. 3.] tensor([3., 3., 3., 3., 3.], dtype=torch.float64)
所有在CPU上的Tensor（除了CharTensor）都支持与NumPy数组相互转换。
此外上面提到还有一个常用的方法就是直接用torch.tensor()将NumPy数组转换成Tensor，需要注意的是该方法总是会进行数据拷贝，返回的Tensor和原来的数据不再共享内存。
c = torch.tensor(a)
a += 1
print(a, c)
输出
[4. 4. 4. 4. 4.] tensor([3., 3., 3., 3., 3.], dtype=torch.float64)
算术操作
在PyTorch中，同一种操作可能有很多种形式，下面用加减乘除作为例子。
# 加法
y = torch.rand(2,3)
x = torch.tensor([1,2,3])
print('y= %s'%y)
print('x= %s'%x)
# 形式1
print(x+y)
# 形式2
print(torch.add(x,y))
# 需要提前指定输出结果的形状
result = torch.empty_like(y)
torch.add(x,y,out=result)
print(result)
# 形式3
y.add_(x) # 相当于y += x，原来y发生了改变
print(y)
z = y.add(x) #需要重新赋值给z
print(z)
# 减法
y = torch.tensor(np.arange(12).reshape(3,4))
x = torch.tensor(np.arange(3).reshape(3,1))
print('y= %s'%y)
print('x= %s'%x)
print(y-x)
print(torch.sub(y,x))
z = y.sub(x)
print(z)
# 乘法
x = torch.tensor([[1,2],[3,4]])
y = torch.eye(2)+1
print('y= %s'%y)
print('x= %s'%x)
print(y*x)
print(torch.mul(x,y))
z = y.mul(x)
print(z)
# 除法
x = torch.tensor([[1,2],[3,4]])
y = torch.eye(2)+1
print(y/x)
print(torch.div(y,x))
print(y.div(x))
输出：
y= tensor([[0.5275, 0.3078, 0.8255],
[0.5453, 0.6506, 0.5880]])
x= tensor([1, 2, 3])
tensor([[1.5275, 2.3078, 3.8255],
[1.5453, 2.6506, 3.5880]])
tensor([[1.5275, 2.3078, 3.8255],
[1.5453, 2.6506, 3.5880]])
tensor([[1.5275, 2.3078, 3.8255],
[1.5453, 2.6506, 3.5880]])
tensor([[1.5275, 2.3078, 3.8255],
[1.5453, 2.6506, 3.5880]])
tensor([[2.5275, 4.3078, 6.8255],
[2.5453, 4.6506, 6.5880]])
y= tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]], dtype=torch.int32)
x= tensor([[0],
[1],
[2]], dtype=torch.int32)
tensor([[0, 1, 2, 3],
[3, 4, 5, 6],
[6, 7, 8, 9]], dtype=torch.int32)
tensor([[0, 1, 2, 3],
[3, 4, 5, 6],
[6, 7, 8, 9]], dtype=torch.int32)
tensor([[0, 1, 2, 3],
[3, 4, 5, 6],
[6, 7, 8, 9]], dtype=torch.int32)
y= tensor([[2., 1.],
[1., 2.]])
x= tensor([[1, 2],
[3, 4]])
tensor([[2., 2.],
[3., 8.]])
tensor([[2., 2.],
[3., 8.]])
tensor([[2., 2.],
[3., 8.]])
tensor([[2.0000, 0.5000],
[0.3333, 0.5000]])
tensor([[2.0000, 0.5000],
[0.3333, 0.5000]])
tensor([[2.0000, 0.5000],
[0.3333, 0.5000]])
