PyTorch使用-张量的创建

追逐☞2025-03-18 15:39

文章目录

  • 张量的创建
  • [1. 安装 PyTorch](#1. 安装 PyTorch)
  • [2. 基本创建方式](#2. 基本创建方式)
    • [2.1 torch.tensor 根据指定数据创建张量](#2.1 torch.tensor 根据指定数据创建张量)
    • [2.2. torch.Tensor 根据形状创建张量, 其也可用来创建指定数据的张量](#2.2. torch.Tensor 根据形状创建张量, 其也可用来创建指定数据的张量)
    • [2.3. 指定类型的张量创建](#2.3. 指定类型的张量创建)
      • [2.3.1. torch.IntTensor：创建整数类型张量](#2.3.1. torch.IntTensor：创建整数类型张量)
      • [2.3.2. torch.FloatTensor：创建浮点类型张量](#2.3.2. torch.FloatTensor：创建浮点类型张量)
      • [2.3.3. torch.DoubleTensor：创建双精度浮点类型张量](#2.3.3. torch.DoubleTensor：创建双精度浮点类型张量)
    • [2.4. 指定数据类型的其他方式](#2.4. 指定数据类型的其他方式)
    • [2.5. 总结](#2.5. 总结)
  • [3. 创建线性和随机张量](#3. 创建线性和随机张量)
    • [3.1 创建线性张量](#3.1 创建线性张量)
      • [3.1.1. torch.arange：创建等间隔的整数张量](#3.1.1. torch.arange：创建等间隔的整数张量)
      • [3.1.2. torch.linspace：创建等间隔的浮点数张量](#3.1.2. torch.linspace：创建等间隔的浮点数张量)
    • [3.2. 随机种子设置](#3.2. 随机种子设置)
      • [3.2.1 torch.random.manual_seed：设置随机种子](#3.2.1 torch.random.manual_seed：设置随机种子)
    • [3.3. 创建随机张量](#3.3. 创建随机张量)
      • [3.3.1. torch.randn：创建标准正态分布的随机张量](#3.3.1. torch.randn：创建标准正态分布的随机张量)
      • [3.3.2. torch.rand：创建均匀分布的随机张量](#3.3.2. torch.rand：创建均匀分布的随机张量)
      • [3.3.3. torch.randint：创建整数随机张量](#3.3.3. torch.randint：创建整数随机张量)
      • [3.4. 总结](#3.4. 总结)
  • [4. 创建全 0\1 张量](#4. 创建全 0\1 张量)
    • [4.1. 创建全1 张量](#4.1. 创建全1 张量)
      • [4.1.1. torch.ones：创建全 1 张量](#4.1.1. torch.ones：创建全 1 张量)
      • [4.1.2. torch.ones_like：创建与输入张量形状相同的全 1 张量](#4.1.2. torch.ones_like：创建与输入张量形状相同的全 1 张量)
    • [4.2. 创建全 0 张量](#4.2. 创建全 0 张量)
      • [4.2.1. torch.zeros：创建全 0 张量](#4.2.1. torch.zeros：创建全 0 张量)
      • [4.2.2. torch.zeros_like：创建与输入张量形状相同的全 0 张量](#4.2.2. torch.zeros_like：创建与输入张量形状相同的全 0 张量)
    • [4.3. 创建全为指定值的张量](#4.3. 创建全为指定值的张量)
      • [4.3.1. torch.full：创建全为指定值的张量](#4.3.1. torch.full：创建全为指定值的张量)
      • [4.3.2. torch.full_like：创建与输入张量形状相同的全为指定值的张量](#4.3.2. torch.full_like：创建与输入张量形状相同的全为指定值的张量)
      • [4.4. 总结](#4.4. 总结)
  • [5. 张量元素类型转换](#5. 张量元素类型转换)
    • [5.1. 使用 tensor.type() 方法](#5.1. 使用 tensor.type() 方法)
    • [5.2. 使用 tensor.double() 方法](#5.2. 使用 tensor.double() 方法)
    • [5.3. 其他类型转换方法](#5.3. 其他类型转换方法)
    • [5.4. 使用 tensor.to() 方法](#5.4. 使用 tensor.to() 方法)
      • [5.4.1. 转换数据类型](#5.4.1. 转换数据类型)
      • [5.4.2. 同时转换设备和数据类型](#5.4.2. 同时转换设备和数据类型)
    • [5.5. 总结](#5.5. 总结)

张量的创建

PyTorch 是一个广泛使用的开源深度学习框架，由 Facebook 的 AI 研究团队开发，并以其灵活性和易于使用的特性而受到许多研究者和开发者的喜爱。它将数据封装成张量（Tensor）来进行运算。PyTorch 中的张量就是元素为同一种数据类型的多维矩阵。在 PyTorch 中，张量以 "类" 的形式封装起来，对张量的一些运算、处理的方法被封装在类中。

1. 安装 PyTorch

首先，确保你已经安装了 PyTorch。你可以通过 Python 的包管理器 pip 来安装它：

python 复制代码 
pip install torch torchvision

2. 基本创建方式

torch.IntTensor、torch.FloatTensor、torch.DoubleTensor 创建指定类型的张量

2.1 torch.tensor 根据指定数据创建张量

torch.tensor 是直接从数据（如列表、元组等）创建张量的方法。它会根据输入的数据推断数据类型（dtype）。

python 复制代码 
import torch
# 从列表创建张量
data = [1, 2, 3, 4]
x = torch.tensor(data)
print(x)
print(x.dtype)  # 默认推断为 torch.int64
bash 复制代码 
程序输出：
tensor([1, 2, 3, 4])
torch.int64

2.2. torch.Tensor 根据形状创建张量, 其也可用来创建指定数据的张量

torch.Tensor 是一个类，可以用来创建未初始化的张量。它接受形状（shape）作为参数，返回一个未初始化的张量。

python 复制代码 
# 创建一个 2x3 的未初始化张量
x = torch.Tensor(2, 3)
print(x)

输出：

bash 复制代码 
tensor([[1.4013e-45, 0.0000e+00, 1.4013e-45],
        [0.0000e+00, 1.4013e-45, 0.0000e+00]])

注意：torch.Tensor 也可以用来创建指定数据的张量，但不推荐这种方式，因为它的行为不如 torch.tensor 直观。

python 复制代码 
# 不推荐：从列表创建张量
data = [1, 2, 3, 4]
x = torch.Tensor(data)
print(x)

输出：

python 复制代码 
tensor([1., 2., 3., 4.])

2.3. 指定类型的张量创建

PyTorch 提供了多种数据类型（dtype），可以通过以下方式创建指定类型的张量：

2.3.1. torch.IntTensor：创建整数类型张量

python 复制代码 
# 创建一个 2x2 的整数类型张量
x = torch.IntTensor([[1, 2], [3, 4]])
print(x)
print(x.dtype)  # torch.int32

输出：

python 复制代码 
tensor([[1, 2],
        [3, 4]], dtype=torch.int32)
torch.int32

2.3.2. torch.FloatTensor：创建浮点类型张量

python 复制代码 
# 创建一个 2x2 的浮点类型张量
x = torch.FloatTensor([[1, 2], [3, 4]])
print(x)
print(x.dtype)  # torch.float32

输出：

python 复制代码 
ensor([[1., 2.],
        [3., 4.]])
torch.float32

2.3.3. torch.DoubleTensor：创建双精度浮点类型张量

python 复制代码 
# 创建一个 2x2 的双精度浮点类型张量
x = torch.DoubleTensor([[1, 2], [3, 4]])
print(x)
print(x.dtype)  # torch.float64

输出：

python 复制代码 
tensor([[1., 2.],
        [3., 4.]], dtype=torch.float64)
torch.float64

2.4. 指定数据类型的其他方式

除了使用 torch.IntTensor、torch.FloatTensor 等，还可以通过 dtype 参数直接指定数据类型。

python 复制代码 
# 创建一个 2x2 的浮点类型张量
x = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32)
print(x)
print(x.dtype)  # torch.float32

输出：

python 复制代码 
tensor([[1., 2.],
        [3., 4.]])
torch.float32

2.5. 总结

方法 用途
torch.tensor(data) 根据数据创建张量，自动推断数据类型。
torch.Tensor(shape) 根据形状创建未初始化的张量。
torch.IntTensor(data) 创建整数类型（torch.int32）的张量。
torch.FloatTensor(data) 创建浮点类型（torch.float32）的张量。
torch.DoubleTensor(data) 创建双精度浮点类型（torch.float64）的张量。
torch.tensor(data, dtype=...) 创建指定数据类型的张量（推荐，更直观且灵活）。

3. 创建线性和随机张量

3.1 创建线性张量

3.1.1. torch.arange：创建等间隔的整数张量

torch.arange 用于创建一个从起始值到结束值（不包括结束值）的等间隔整数张量。

python 复制代码 
import torch
# 创建一个从 0 到 9 的张量
x = torch.arange(10)
print(x)

输出：

python 复制代码 
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

可以指定起始值、结束值和步长：

python 复制代码 
# 创建一个从 2 到 8，步长为 2 的张量
x = torch.arange(2, 10, 2)
print(x)

输出：

python 复制代码 
tensor([2, 4, 6, 8])

3.1.2. torch.linspace：创建等间隔的浮点数张量

torch.linspace 用于创建一个从起始值到结束值的等间隔浮点数张量，可以指定元素的数量。

python 复制代码 
# 创建一个从 0 到 1 的 5 个等间隔元素的张量
x = torch.linspace(0, 1, 5)
print(x)

输出：

python 复制代码 
tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000])

3.2. 随机种子设置

为了保证随机实验的可重复性，可以设置随机种子。

3.2.1 torch.random.manual_seed：设置随机种子

python 复制代码 
# 设置随机种子
torch.random.manual_seed(42)
# 创建一个随机张量
x = torch.randn(2, 2)
print(x)

输出：

python 复制代码 
tensor([[ 0.3367,  0.1288],
        [ 0.2345,  0.2303]])

注：每次运行代码时，生成的随机张量都会相同。

3.3. 创建随机张量

3.3.1. torch.randn：创建标准正态分布的随机张量

torch.randn 用于创建服从标准正态分布（均值为 0，方差为 1）的随机张量。

python 复制代码 
# 创建一个 2x2 的标准正态分布随机张量
x = torch.randn(2, 2)
print(x)

输出：

python 复制代码 
tensor([[-0.4032,  0.8380],
        [-1.3886, -0.2935]])

3.3.2. torch.rand：创建均匀分布的随机张量

torch.rand 用于创建在 [0, 1) 区间内均匀分布的随机张量。

python 复制代码 
# 创建一个 2x2 的均匀分布随机张量
x = torch.rand(2, 2)
print(x)

输出：

python 复制代码 
tensor([[0.1234, 0.5678],
        [0.9101, 0.2345]])

3.3.3. torch.randint：创建整数随机张量

torch.randint 用于创建指定范围内的整数随机张量。

python 复制代码 
# 创建一个 2x2 的随机整数张量，范围在 [0, 10)
x = torch.randint(0, 10, (2, 2))
print(x)

输出：

python 复制代码 
tensor([[3, 7],
        [2, 5]])

3.4. 总结

方法 用途
torch.arange(start, end, step) 创建等间隔的整数张量。
torch.linspace(start, end, steps) 创建等间隔的浮点数张量。
torch.random.manual_seed(seed) 设置随机种子，确保实验可重复。
torch.randn(shape) 创建标准正态分布的随机张量。
torch.rand(shape) 创建 [0, 1) 区间内均匀分布的随机张量。
torch.randint(low, high, shape) 创建指定范围内的整数随机张量。

4. 创建全 0\1 张量

4.1. 创建全1 张量

4.1.1. torch.ones：创建全 1 张量

torch.ones 用于创建指定形状的全 1 张量。

python 复制代码 
import torch

# 创建一个 2x3 的全 1 张量
x = torch.ones(2, 3)
print(x)

输出：

python 复制代码 
tensor([[1., 1., 1.],
        [1., 1., 1.]])

4.1.2. torch.ones_like：创建与输入张量形状相同的全 1 张量

torch.ones_like 用于创建一个与输入张量形状相同的全 1 张量。

python 复制代码 
# 创建一个与 x 形状相同的全 1 张量
y = torch.ones_like(x)
print(y)

输出：

python 复制代码 
tensor([[1., 1., 1.],
        [1., 1., 1.]])

4.2. 创建全 0 张量

4.2.1. torch.zeros：创建全 0 张量

torch.zeros 用于创建指定形状的全 0 张量。

python 复制代码 
# 创建一个 2x3 的全 0 张量
x = torch.zeros(2, 3)
print(x)

输出：

python 复制代码 
tensor([[0., 0., 0.],
        [0., 0., 0.]])

4.2.2. torch.zeros_like：创建与输入张量形状相同的全 0 张量

torch.zeros_like 用于创建一个与输入张量形状相同的全 0 张量。

python 复制代码 
# 创建一个与 x 形状相同的全 0 张量
y = torch.zeros_like(x)
print(y)

输出：

python 复制代码 
tensor([[0., 0., 0.],
        [0., 0., 0.]])

4.3. 创建全为指定值的张量

4.3.1. torch.full：创建全为指定值的张量

torch.full 用于创建指定形状且所有元素为指定值的张量。

python 复制代码 
# 创建一个 2x3 的全为 5 的张量
x = torch.full((2, 3), 5)
print(x)

输出：

python 复制代码 
tensor([[5, 5, 5],
        [5, 5, 5]])

4.3.2. torch.full_like：创建与输入张量形状相同的全为指定值的张量

torch.full_like 用于创建一个与输入张量形状相同且所有元素为指定值的张量。

python 复制代码 
# 创建一个与 x 形状相同的全为 10 的张量
y = torch.full_like(x, 10)
print(y)

输出：

python 复制代码 
tensor([[10, 10, 10],
        [10, 10, 10]])

4.4. 总结

方法 用途
torch.ones(shape) 创建指定形状的全 1 张量。
torch.ones_like(input) 创建与输入张量形状相同的全 1 张量。
torch.zeros(shape) 创建指定形状的全 0 张量。
torch.zeros_like(input) 创建与输入张量形状相同的全 0 张量。
torch.full(shape, value) 创建指定形状且所有元素为指定值的张量。
torch.full_like(input, value) 创建与输入张量形状相同且所有元素为指定值的张量。

5. 张量元素类型转换

5.1. 使用 tensor.type() 方法

tensor.type() 方法可以将张量转换为指定的类型。

python 复制代码 
import torch

# 创建一个浮点类型的张量
x = torch.tensor([1.0, 2.0, 3.0])
print(x.dtype)  # 默认是 torch.float32

# 转换为双精度浮点类型 (torch.float64)
x_double = x.type(torch.DoubleTensor)
print(x_double)
print(x_double.dtype)

输出：

python 复制代码 
torch.float32
tensor([1., 2., 3.], dtype=torch.float64)
torch.float64

5.2. 使用 tensor.double() 方法

tensor.double() 是 tensor.type(torch.DoubleTensor)

的简写形式，用于将张量转换为双精度浮点类型（torch.float64）。

python 复制代码 
# 转换为双精度浮点类型
x_double = x.double()
print(x_double)
print(x_double.dtype)

输出：

python 复制代码 
tensor([1., 2., 3.], dtype=torch.float64)
torch.float64

5.3. 其他类型转换方法

PyTorch 提供了多种类型转换方法，类似于 tensor.double()，可以直接调用：

方法 转换为的类型
tensor.float() torch.float32
tensor.double() torch.float64
tensor.half() torch.float16
tensor.int() torch.int32
tensor.long() torch.int64
tensor.short() torch.int16
tensor.byte() torch.uint8
tensor.bool() torch.bool
示例：
python 复制代码 
# 创建一个浮点类型的张量
x = torch.tensor([1.0, 2.0, 3.0])

# 转换为整型
x_int = x.int()
print(x_int)
print(x_int.dtype)

# 转换为布尔型
x_bool = x.bool()
print(x_bool)
print(x_bool.dtype)

输出：

python 复制代码 
tensor([1, 2, 3], dtype=torch.int32)
torch.int32
tensor([True, True, True])
torch.bool

5.4. 使用 tensor.to() 方法

tensor.to() 是一个更通用的方法，可以用于设备（CPU/GPU）和类型的转换。

5.4.1. 转换数据类型

python 复制代码 
# 转换为双精度浮点类型
x_double = x.to(torch.float64)
print(x_double)
print(x_double.dtype)

输出：

python 复制代码 
tensor([1., 2., 3.], dtype=torch.float64)
torch.float64

5.4.2. 同时转换设备和数据类型

python 复制代码 
# 转换为 GPU 上的双精度浮点类型
if torch.cuda.is_available():
    x_gpu = x.to(device='cuda', dtype=torch.float64)
    print(x_gpu)
    print(x_gpu.dtype)

5.5. 总结

方法 用途
tensor.type(torch.DoubleTensor) 将张量转换为指定类型（如 torch.float64）。
tensor.double() 将张量转换为双精度浮点类型（torch.float64）。
tensor.float() 将张量转换为单精度浮点类型（torch.float32）。
tensor.int() 将张量转换为整型（torch.int32）。
tensor.to(dtype=...) 通用方法，支持设备转换和类型转换。
相关推荐
风吹斜刘海14 分钟前
yolov5项目增加注意力机制
人工智能
忧郁蓝调2620 分钟前
RAGFlow部署与使用（开源本地知识库管理系统，包括kibana配置）
人工智能·开源·大模型·github·知识库·rag·ragflow
泰迪智能科技0124 分钟前
Deepseek结合企业数据挖掘平台能够给企业提升哪些效益？
人工智能·数据挖掘
棉花糖老丫1 小时前
如何使用Spring AI提示词模板PromptTemplate？
java·人工智能·spring·ai
智驱力人工智能1 小时前
高效手机检测：视觉分析技术的优势
人工智能·安全·计算机视觉·视觉检测·智能巡检·手机检测
强哥之神1 小时前
微软 AI 发布 LongRoPE2：近乎无损地将大型语言模型上下文窗口扩展至 128K 标记，保持 97% 短上下文准确性
人工智能·语言模型·自然语言处理·大模型·智能体·ai代理
Channing Lewis1 小时前
API 返回的PDF是一串字符，如何转换为PDF文档
前端·python·pdf
开开心心就好1 小时前
攻克 PDF 发票打印难题，提升财务效率
android·python·网络协议·tcp/ip·macos·pdf·tornado
闲人编程1 小时前
图像分类：CIFAR10/ImageNet实战
pytorch·深度学习·图像识别
热门推荐
01命令行方式将mysql数据库迁移到达梦数据库（全步骤）02如何在WPS和Word/Excel中直接使用DeepSeek功能03DeepSeek各版本说明与优缺点分析04本地化部署AI知识库：基于Ollama+DeepSeek+AnythingLLM保姆级教程05从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑06本地部署DeepSeek教程（Mac版本）07USC-HAD数据集介绍及仿真实验08DeepSeek RAGFlow构建本地知识库系统09DeepSeek R1本地化部署 Ollama + Chatbox 打造最强 AI 工具10四大AI编程工具组合测评