【pytorch常用方法汇总】张量的转换、生成篇

目录

将列表转换为张量

  1. Python的列表或序列可以通过torch.tensor()函数构造张量。

  2. 查看维度和元素数量:

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

    • 查看维度:x.shapex.size(),返回torch.Size类型对象,可以直接解包
    • 查看元素数量:x.numel()
  3. 指定元素类型、分配的位置以及是否计算梯度:

    x = torch.tensor([[1, 2, 3], [4, 5, 6]], dtype=torch.float, device="cuda:0", requires_grad=True)

张量和Numpy数组的相互转化

  1. 利用NumPy数组生成tensor

    torch.from_numpy(ndarray) → Tensor

    将 numpy.ndarray 转换为 pytorch 的 Tensor。返回的张量 tensor 和 numpy的 ndarray 共享同一内存空间。修改一个会导致另外一个也被修改。返回的张量不能改变大小。

  2. tensor转化为numpy数组

    x.numpy() → ndarray

    将该 tensor 以 NumPy 的形式返回 ndarray,两者共享相同的底层内存。

随机数生成张量

  1. 生成随机数前,可以使用torch.manual_seed()函数,指定随机数种子,保证生成的随机数可以重复出现。在每次重新运行程序时,同样的随机数生成代码得到的是同样的结果。

  2. torch.rand(*sizes, out=None) → Tensor

    返回一个张量,包含了从区间[0,1)的均匀分布中抽取的一组随机数,形状由可变参数sizes 定义。

  3. torch.randn(*sizes, out=None) → Tensor

    返回一个张量,包含了从标准正态分布(均值为 0,方差为 1)中抽取一组随机数,形状由可变参数 sizes 定义。

  4. torch.normal(means, std, out=None) → Tensor

    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。

生成特定的张量

  1. torch.arange(start, end, step=1, out=None) → Tensor

    返回一个 1 维张量,长度为 floor((end−start)/step)。包含在半开区间 [start, end),以 step 为步长的一组序列值(默认步长为 1)。

  2. torch.linspace(start, end, steps=100, out=None) → Tensor

    返回一个 1 维张量,包含在区间 start 和 end 上均匀间隔的 step 个点,默认左右均为闭区间, 输出 1 维张量的长度为steps。

  3. torch.zeros(*sizes, out=None) → Tensor

    返回一个全为标量 0 的张量,形状由可变参数 sizes 定义。

    sizes (int...) -- 整数序列,定义了输出形状

    out (Tensor, optional) -- 结果张量

  4. torch.ones(*sizes, out=None) → Tensor

    返回一个全为 1 的张量,形状由可变参数 sizes 定义。

    参数同上

  5. torch.eye(n, m=None, out=None)→ Tensor

    返回一个 2 维张量,对角线位置全 1,其它位置全 0

    n (int) -- 行数

    m (int, optional) -- 列数:如果为 None,则默认为 n

    out (Tensor, optinal) - Output tensor

相关推荐
Cachel wood31 分钟前
python round四舍五入和decimal库精确四舍五入
java·linux·前端·数据库·vue.js·python·前端框架
IT古董32 分钟前
【漫话机器学习系列】017.大O算法(Big-O Notation)
人工智能·机器学习
凯哥是个大帅比32 分钟前
人工智能ACA(五)--深度学习基础
人工智能·深度学习
終不似少年遊*37 分钟前
pyecharts
python·信息可视化·数据分析·学习笔记·pyecharts·使用技巧
Python之栈38 分钟前
【无标题】
数据库·python·mysql
m0_748232921 小时前
DALL-M:基于大语言模型的上下文感知临床数据增强方法 ,补充
人工智能·语言模型·自然语言处理
袁袁袁袁满1 小时前
100天精通Python(爬虫篇)——第113天:‌爬虫基础模块之urllib详细教程大全
开发语言·爬虫·python·网络爬虫·爬虫实战·urllib·urllib模块教程
szxinmai主板定制专家1 小时前
【国产NI替代】基于FPGA的32通道(24bits)高精度终端采集核心板卡
大数据·人工智能·fpga开发
海棠AI实验室1 小时前
AI的进阶之路:从机器学习到深度学习的演变(三)
人工智能·深度学习·机器学习