【深度学习】Day1

张量的创建

---

张量

• 张量（Tensor）：

  PyTorch 张量是一种用于存储多维数组的数据结构，类似于 NumPy 的多维数组，是深度学习里最基础的数据载体

• 张量按维度分为下面几类：
  

---

张量基本创建方式

• torch.tensor()
  根据给定数据创建张量，小写tensor
  1）传入列表 / 数组，自动推断数据类型

  # 用列表创建张量
  t1=torch.tensor([1,2,3])
  print(t1)  # tensor([1, 2, 3])

  2） 特点：拷贝数据 ，新建张量；
  日常开发首选

• torch.Tensor()
  大写Tensor，有两种用法：
  1）传入数字形状：创建指定 shape 的张量（内容未初始化，随机垃圾值）

  t2=torch.Tensor(2,3) # 创建2行3列张量
  print(t2)

  
  2） 传入列表数据：也可以创建张量（不推荐，容易混淆）

  t3=torch.Tensor([1,2,3])
  print(t3)

  
  3） 注意：大写torch.Tensor默认是float32类型；
  小写torch.tensor会根据输入自动判断类型

• torch.IntTensor / torch.FloatTensor / torch.DoubleTensor
  1）创建指定数据类型的张量
（旧 API 写法，新版本更推荐在torch.tensor里用dtype=指定类型）
2）

  # 整型张量
  t_int=torch.IntTensor([1,2,3])
  # 浮点型张量 float32
  t_float=torch.FloatTensor([1.1,2.2])
  # 双精度浮点 float64
  t_double=torch.DoubleTensor([1.1,2.2])
  
  print(t_int)
  print(t_float)
  print(t_double)

  

  更推荐写法：

  t = torch.tensor([1, 2, 3], dtype=torch.int32)
  print(t)

  

• 重点区分
  

torch.tensor ()

• torch.tensor()：
  根据传入的数据创建张量，可以传入数字、numpy 数组、Python 列表，会自动继承输入的数据类型

  # 1 创建张量标量（0维张量）
  data=torch.tensor(10)
  print(data)

  data1=np.random.randn(2,3)  # numpy 默认 float64
  data2=torch.tensor(data1)
  print(data2)

  # 3. python 创建列表
  data3=[[1,2,3],[4,5,6]]
  data4=torch.tensor(data3)
  print(data4)

• 关键点
  1）torch.tensor(10) ：传入单个数字，生成0 维标量张量 ，
  输出tensor(10)，不是数组形式
  2）numpy 数组转张量
  a）numpy 的浮点数默认是float64，所以生成的张量dtype=torch.float64 b）torch.tensor()会拷贝一份数据 ，新张量和原 numpy 数组互不影响
  3）Python 列表创建张量
  a）列表里写带小数点数字10.，代表浮点数，PyTorch 默认转成float32 b）两层列表[[...],[...]] → 2 维张量（矩阵）

---

torch.Tensor ()

• 两种写法

  1）传数字（形状参数）：创建指定形状的张量，不初始化，

  里面是内存里残留的随机垃圾值

  2）传列表：创建带指定数据的张量

  默认数据类型：float32

  # 1. 创建2行3列的张量，只指定形状，里面的值没初始化的随机值
  data=torch.Tensor(2,3)
  print(data)

  # 2. 传入列表，按照列表数据创建张量
  data1=torch.Tensor([10,20,30])
  print(data1)
  data2=torch.Tensor([10])
  print(data2)

• 核心对比
  

---

torch.IntTensor/ FloatTensor / DoubleTensor

• 传数字（(2,3)）：创建指定形状、对应数据类型的未初始化张量（内存残留垃圾值）

• 传列表数据：自动把里面元素强制转换成对应类型

  # 1. 创建2行3列，dtype=int32 的张量,没初始化，里面的是随机脏整数
  data=torch.IntTensor(2,3)
  print(data)

  # 2. 传入浮点列表，自动强制转成int32,小数直接砍掉，不是四舍五入，是截断
  data1=torch.IntTensor([2.5,3.3])
  print(data1)

  # 3. 其他旧版类型
  data2=torch.ShortTensor()  # int 16
  data3=torch.LongTensor()  # int 64
  data4=torch.FloatTensor()  # int 32
  data5=torch.DoubleTensor()  # int 64

• 新版推荐写法
  1）torch.tensor() + 指定 dtype 参数，可读性更好

  data=torch.tensor([2.5,3.3],dtype=torch.int32)
  print(data)

  

---

创建线性 ， 随机张量

---

torch.arange () 和 torch.linspace ()

• torch.arange(start, end, step)

  1）按步长生成张量，区间是左闭右开 [start, end)，不包含 end

  data=torch.arange(0,10,2)
  print(data)

  

  start=0，end=10，步长 step=2

  取值：0，2，4，6，8；下一个是 10，等于 end，所以不取

  生成的是整数张量