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
sjr200122 分钟前
从huggingface下载模型时有哪些文件？
人工智能·机器学习
moz与京22 分钟前
【面试向】热门技术话题（上）
人工智能·物联网·机器学习·面试·web3·区块链·元宇宙
wyfwyf___40 分钟前
5G+IoT+AI：新质工业新图景，从预测性维护到全链路数智化
人工智能·科技·物联网·5g·信息与通信
gptplusplus1 小时前
AI智能体（Agent）：从“辅助决策”到“自主行动”，重新定义下一个商业时代
人工智能
别忘了微笑啊1 小时前
hCaptcha 图像识别 API 对接说明
人工智能
尝试经历体验1 小时前
pycharm突然不能正常运行
python·深度学习·pycharm
大千AI助手2 小时前
灾难性遗忘：神经网络持续学习的核心挑战与解决方案
人工智能·深度学习·神经网络·大模型·llm·持续学习·灾难性遗忘
gotouniverse2 小时前
之前自学RAG时做的调研
人工智能
jay神2 小时前
基于Python的商品爬取与可视化系统
爬虫·python·数据分析·毕业设计·可视化系统
新智元2 小时前
刚刚，英伟达祭出下一代 GPU！狂飙百万 token 巨兽，投 1 亿爆赚 50 亿
人工智能·openai
热门推荐
01conda中设置镜像地址（附所有可换的地址）02UV安装并设置国内源03解决 WSL Ubuntu 中 /etc/resolv.conf 自动重置问题04A股预测还能更准？开源大模型Kronos带你跑通预测+回测全流程05UV 工具安装与国内镜像源配置指南06突破百度网盘的下载限速，两种方法教会你【超详细】07教你如何认证 Gemini 教育优惠的二次验证，薅个 1年的 Gemini Pro 会员08保姆级教程：手把手教你用Dify实现完美多轮对话（附Chatflow和提示词）09KGG转MP3工具|非KGM文件|解密音频1046个Nano-banana 精选提示词，持续更新中