张量是pytorch神经网络的血液,没有血液的流通就没有整个pytorch躯体的运转。本文将介绍tensor的创建方法,其中包含了多种API代码需要牢记
法(1)从numpy数组中引用:
import torch
import numpy as np
a = np.array([1, 2.2])
b = torch.from_numpy(a)
print(b)
输出b为
tensor([1.0000, 2.2000], dtype=torch.float64)
这里可注意到1和2.2均变成了float类型的tensor张量。
若想构建矩阵,则代码为:
a = np.ones([2, 3])
# 构建了2行3列全为1的矩阵
print(a)
b = torch.from_numpy(a)
print(b)
输出a和b为
[[1. 1. 1.]
[1. 1. 1.]]
tensor([[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
法(2)
直接从list数据中创建
a = torch.tensor([1., 2.2])
print(a)
输出a为
tensor([1.0000, 2.2000])
当需要的数据量较少时,直接以此法构建tensor即可。
这里要格外注意的是
当代码为torch.Tensor时,表示的意义与torch.tensor意义不同。
b = torch.Tensor(2, 3)
# 接收的为shape类型,这里即为2行3列
print(b)
输出
tensor([[8.9082e-39, 1.0194e-38, 1.4013e-45],
[0.0000e+00, 1.4013e-45, 0.0000e+00]])
其API为
torch.FloatTensor(d1, d2, d3)
三种方法生成未初始化的数据
# 当想申请一些未初始化的数据时,(1)使用empty参数给出shape
# torch.empty(d1, d2)
a = torch.empty(1, 2)
# (2)用FloatTensor给出shape
# torch.FloatTensor(d1, d2, d3)
b = torch.FloatTensor(1, 2)
# (3)torch.IntTensor(d1, d2, d3)类型
c = torch.IntTensor(1, 2)
输出a,b,c
print(a)
print('===========')
print(b)
print('===========')
print(c)
输出为
tensor([[-4.6713e-09, 4.5915e-41]])
===========
tensor([[-4.6713e-09, 4.5915e-41]])
===========
tensor([[833, 0]], dtype=torch.int32)
由此可见这种创建方式创建的tensor及其不规则,有的很大,有的无穷小,有的直接为0。因此当使用这种方法时,新数据要覆盖之前的旧数据,以免会造成Nan(not a number)的错误。
注意:以维度创建张量的torch.Tensor包含了torch.FloatTensor和torch.IntTensor两种,当以torch.Tensor创建数据时,默认为FloatTensor类型创建(32位类型)。但在实际使用时可以更改默认创建参数为
# 当想改变默认创建类型时,使用set参数
torch.set_default_tensor_type(torch.DoubleTensor)
a = torch.tensor(([1.1, 2]))
print(a.type())
输出为
torch.DoubleTensor
这样输出的即为DoubleTensor类型(64位),有更高的计算精度。
本文分享自 python pytorch AI机器学习实践 微信公众号,前往查看
如有侵权,请联系 cloudcommunity@tencent.com 删除。
本文参与 腾讯云自媒体分享计划 ,欢迎热爱写作的你一起参与!