Python|张量创建操作[2]
张量创建操作
张量的随机创建包含的方法有：torch.rand()，torch.randlike()，torch.randn()，torch.randnloike()，torch.randint()，torch.randint_like()和torch.randperm()。
- torch.tensor() 用数据创建一个张量。参数：
- data：输入数据，可以是list，tuple，numpy，scalar或者其他类型。
- dtype：可选参数，设置data的数据类型，默认使用data原来的type。
- device：可选参数，返回张量的设备，默认使用当前设备。有cpu张量和cuda张量两种形式。
- requires_grad：可选参数，bool。默认False，如果自动梯度会在返回的张量上记录操作。
- pin_memory：可选参数，bool。默认False，只在cpu张量上有效。设置之后返回的张量会被分配到指定的内存。
例子
>>> torch.tensor([[0.1, 1.2], [2.2, 3.1], [4.9, 5.2]])
tensor([[ 0.1000, 1.2000],
[ 2.2000, 3.1000],
[ 4.9000, 5.2000]])
>>> torch.tensor([0, 1]) # 类型参考原来的数据
tensor([ 0, 1])
>>> torch.tensor([[0.11111, 0.222222, 0.3333333]],
dtype=torch.float64,
device=torch.device('cuda:0')) # 创建一个cuda上的双精度张量
tensor([[ 0.1111, 0.2222, 0.3333]], dtype=torch.float64, device='cuda:0')
>>> torch.tensor(3.14159) # 生成一个标量 (0维的张量)
tensor(3.1416)
>>> torch.tensor([]) # 生成一个空张量
tensor([])- torch.as_tensor(data,dtype=None,device=None)->Tensor 把数据转成TensorFlow张量的形式，如果数据本身就是指定的dtype和device，则不会改变。参数
- data（数组形式）：生成张量的初始数据，可以是list，tuple，ndarray，scalar等等。
- dtype（torch的dtype，可选参数）：指定返回张量的数据类型，默认为None，根据原数据推出类型。
- device（torch的device，可选参数）：默认None，和dtype参数差不多，有CPU Tensor和CUDA Tensor两种形式。
例子
>>> a = numpy.array([1, 2, 3])
>>> t = torch.as_tensor(a)
>>> t
tensor([ 1, 2, 3])
>>> t[0] = -1
>>> a
array([-1, 2, 3])
>>> a = numpy.array([1, 2, 3])
>>> t = torch.as_tensor(a, device=torch.device('cuda'))
>>> t
tensor([ 1, 2, 3])
>>> t[0] = -1
>>> a
array([1, 2, 3])- torch.asstrided(input,size,stride,storageoffset=0)->Tensor 生成一个指定形状的张量。参数
- input（Tensor）：输入张量
- size（tuples或ints）：输出张量的形状
- stride（tuple或ints）：输出张量的步长
- storage_offset（int，可选参数）：输出张量在存储中的偏移
例子
>>> x = torch.randn(3, 3)
>>> x
tensor([[ 0.9039, 0.6291, 1.0795],
[ 0.1586, 2.1939, -0.4900],
[-0.1909, -0.7503, 1.9355]])
>>> t = torch.as_strided(x, (2, 2), (1, 2))
>>> t
tensor([[0.9039, 1.0795],
[0.6291, 0.1586]])
>>> t = torch.as_strided(x, (2, 2), (1, 2), 1)
tensor([[0.6291, 0.1586],
[1.0795, 2.1939]])- torch.from_numpy(ndarray)->Tensor 把ndarray转成张量，返回的张量和ndarray共用相同内存，所以修改ndarray会改变tensor，反之亦然。而且tensor是没法调整大小的。 支持的ndarray的类型有numpy.float64，numpy.float32,numpy.float16，numpy.int64，numpy.int32，numpy.int16，nummpy.int8，numpy.uint8，numpy.bool
例子
>>> a = numpy.array([1, 2, 3])
>>> t = torch.from_numpy(a)
>>> t
tensor([ 1, 2, 3])
>>> t[0] = -1
>>> a
array([-1, 2, 3])- torch.zeros(*size,out=None,dtype=None,layout=torch.strided,device=None,requrired_grad=False)->Tensor 返回全是0的张量 参数
- size（int）：可以是list，tuple
- out（张量，可选参数）：输出的张量
- dtype（torch.dtype，可选参数）：默认None，使用全局默认torch.setdefaulttensor_type()的值。
- layout（torch.layout，可选参数）：默认是torch.strided，指定返回张量的layout
- device（可选参数）：默认None返回当前的张量类型
- requires_grad（bool，可选参数）：默认False。
例子
>>> torch.zeros(2, 3)
tensor([[ 0., 0., 0.],
[ 0., 0., 0.]])
>>> torch.zeros(5)
tensor([ 0., 0., 0., 0., 0.])本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2020-05-20，如有侵权请联系 cloudcommunity@tencent.com 删除
本文分享自 Python与MySQL 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 腾讯云自媒体同步曝光计划 ，欢迎热爱写作的你一起参与！
评论
登录后参与评论
推荐阅读
目录
腾讯云开发者
