【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
• 张量和Numpy数组的相互转化
• 随机数生成张量
• 生成特定的张量

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.shape或 x.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