深度学习：张量标量概念、PyTorch张量创建、类型转换等

前言：前一篇文章介绍了PyTorch概念，此次介绍PyTorch的API 。

本文目录：

一、张量和标量
二、PyTorch创建张量
- [（一）根据torch.tensor(data=, dtype=) 根据指定数据创建张量；](#（一）根据torch.tensor(data=, dtype=) 根据指定数据创建张量；)
- [（二）torch.Tensor(size=) 根据形状创建张量, 其也可用来创建指定数据或者指定类型的张量；](#（二）torch.Tensor(size=) 根据形状创建张量, 其也可用来创建指定数据或者指定类型的张量；)
- [（三）torch.arange(start=, end=, step=)：固定步长线性张量；torch.linspace(start=, end=, steps=)：固定元素数线性张量；](#（三）torch.arange(start=, end=, step=)：固定步长线性张量；torch.linspace(start=, end=, steps=)：固定元素数线性张量；)
- [（四）torch.randn/rand(size=) 创建随机浮点类型张量；torch.randint(low=, high=, size=) 创建随机整数类型张量，左闭右开；torch.initial_seed() 和 torch.manual_seed(seed=) 随机种子设置；](#（四）torch.randn/rand(size=) 创建随机浮点类型张量；torch.randint(low=, high=, size=) 创建随机整数类型张量，左闭右开；torch.initial_seed() 和 torch.manual_seed(seed=) 随机种子设置；)
- [（五）torch.zeros(size=) 和 torch.zeros_like(input=) 创建全0张量；](#（五）torch.zeros(size=) 和 torch.zeros_like(input=) 创建全0张量；)
- [（六）torch.ones(size=) 和 torch.ones_like(input=) 创建全1张量；](#（六）torch.ones(size=) 和 torch.ones_like(input=) 创建全1张量；)
- [（七）torch.full(size=, fill_value=) 和 torch.full_like(input=, fill_value=) 创建全为指定值张量；](#（七）torch.full(size=, fill_value=) 和 torch.full_like(input=, fill_value=) 创建全为指定值张量；)
三、类型转换
- （一）张量类型转换
- （二）张量、标量和numpy相互转换

一、张量和标量

张量和标量是深度学习和科学计算中最基本的数据表示形式，它们之间有着明确的区别和联系。

张量

元素为同一种数据类型的多维矩阵，与NumPy数组类似，张量既有数值，也有方向，可以看做是标量的高维扩展。

标量

标量是零维的单个数值，没有方向，只有大小。

标量与张量的关系

二、PyTorch创建张量

（一）根据torch.tensor(data=, dtype=) 根据指定数据创建张量；

复制代码

import numpy as np
# 导入torch库，用于创建和操作张量
import torch

# 创建并打印各种形状和类型的张量
print(torch.tensor(10))
print(torch.tensor([10],dtype=torch.int))
print(torch.tensor([[10]]))
print(torch.tensor([[[10]]]))
print(torch.tensor([[10,20],[30,40]]))

# 从numpy数组创建并打印张量
print(torch.tensor(np.array([[10,20],[30,40]])))

（二）torch.Tensor(size=) 根据形状创建张量, 其也可用来创建指定数据或者指定类型的张量；

复制代码

# 创建并打印各种形状的浮点数张量
print(torch.Tensor(5))# 指定形状，多的'.'代表浮点,生成5个0
print(torch.Tensor(2,3))# 指定形状，生成2行3列0（浮点数）
print(torch.Tensor(size=(2,3)))   #指定size
# 计算并打印张量的维度
print(torch.Tensor([10]).ndim)
print(torch.Tensor([[[10]]]).ndim)

# 通过列表和numpy数组创建并打印张量
print(torch.Tensor([[10,20],[30,40]]))
print(torch.Tensor(np.array([[10,20],[30,40]])))

# 使用指定的数据类型创建并打印张量
print(torch.IntTensor([[10.2,20.7],[30.5,40.9]]))# 输出10,20,30,40，int32
print(torch.FloatTensor([[10,20],[30,40]]))# 输出10,20,30,40，float32
print(torch.LongTensor([[10,20],[30,40]]))# int64
print(torch.ShortTensor([[10,20],[30,40]]))# int16
print(torch.ByteTensor([[10,20],[30,40]]))# uint8
print(torch.HalfTensor([[10,20],[30,40]]))# float16

（三）torch.arange(start=, end=, step=)：固定步长线性张量；torch.linspace(start=, end=, steps=)：固定元素数线性张量；

复制代码

# 1. 在指定区间按照步长生成元素 [start, end, step) 左闭右开
data = torch.arange(0, 10, 2)
print(data)

# 2. 在指定区间按照元素个数生成 [start, end, steps] 左闭右闭
# step = (end-start) / (steps-1)
# value_i = start + step * i
data = torch.linspace(0, 9, 10)
print(data)

（四）torch.randn/rand(size=) 创建随机浮点类型张量；torch.randint(low=, high=, size=) 创建随机整数类型张量，左闭右开；torch.initial_seed() 和 torch.manual_seed(seed=) 随机种子设置；

复制代码

# 1. 创建随机张量
data = torch.randn(2, 3)  # 创建2行3列张量
print(data)
# 查看随机数种子
print('随机数种子:', torch.initial_seed())

# 2. 随机数种子设置 
torch.manual_seed(100)
data = torch.randn(2, 3)
print(data)
print('随机数种子:', torch.initial_seed())

（五）torch.zeros(size=) 和 torch.zeros_like(input=) 创建全0张量；

复制代码

# 1. 创建指定形状全0张量
data = torch.zeros(2, 3)
print(data)

# 2. 根据张量形状创建全0张量
data = torch.zeros_like(data)
print(data)

（六）torch.ones(size=) 和 torch.ones_like(input=) 创建全1张量；

复制代码

# 1. 创建指定形状全1张量
data = torch.ones(2, 3)
print(data)

# 2. 根据张量形状创建全1张量
data = torch.ones_like(data)
print(data)

（七）torch.full(size=, fill_value=) 和 torch.full_like(input=, fill_value=) 创建全为指定值张量；

复制代码

# 1. 创建指定形状指定值的张量
data = torch.full([2, 3], 10)
print(data)

# 2. 根据张量形状创建指定值的张量
data = torch.full_like(data, 20)
print(data)

三、类型转换

（一）张量类型转换

复制代码

#类型转换
data=torch.rand(2,3)
print(data.dtype)
#类型转换方式1
print(data.type(torch.int32))
print(data.type(torch.float32))
print(data.type(torch.int64))
print(data.type(torch.int16))
print(data.type(torch.int8))
print(data.type(torch.uint8))

#类型转换方式2
print(data.type(torch.double))
print(data.type(torch.long))
print(data.type(torch.short))
print(data.type(torch.half))
print(data.type(torch.bool))
#类型转换方式3
print(data.type(torch.ShortTensor))
print(data.type(torch.FloatTensor))
print(data.type(torch.LongTensor))
print(data.type(torch.IntTensor))
print(data.type(torch.DoubleTensor))
print(data.type(torch.HalfTensor))

（二）张量、标量和numpy相互转换

复制代码

#标量转numpy
print(data.numpy())

#numpy转张量,共享内存，但id不同
n1=np.array([1,2,3])
print(n1,id(n1))
t1=torch.from_numpy(n1)
print(t1,id(t1))   #n1和t1的id不同
【验证n1和t1是否共享内存：
n1[0] = 100  # 修改 NumPy 数组
print("修改后的 NumPy 数组:", n1)
print("PyTorch 张量是否同步变化:", t1)  # 结果显示：t1同步变为 tensor([100, 2, 3])，说明n1和t1共享内存】

#使用copy不共享内存
n2=np.array([1,2,3])
print(n2,id(n2))
print(torch.from_numpy(n2.copy()),id(torch.from_numpy(n2.copy())))  

#张量转标量
n3=3
print(torch.tensor(n3).item())  #先将3转为张量，再转为了标量；单数值numpy转标量也可用item(）

#标量转张量
print(torch.tensor(3))   #标量3被转为张量

今天的分享到此结束。