pytorch的python API略读--tensor(二)
pytorch的python API略读--tensor(二)
2.1.1 创建
在编写程序的时候，我们往往需要一些数据，这些数据常有两种来源：手动输入的一些数据，或者从外部接收后转换得到的数据。手动输入的数据设计如下函数：tensor, zeros, zeros_like, ones, ones_like，arange，range，linspace，logspace，eye，empty，empty_like，empty_strided，full，full_like。
tensor：这是最基本的构建一个tensor的方法，用法如下：
torch.tensor(data, *, dtype=None, device=None, requires_grad=False,
pin_memory=False)data表示要构建的tensor，dtype指的是data type，device可以是CPU，也可以是GPU，requires_grad的默认值是False，设置为True的话，可以对在当前tensor计算中保留对应梯度信息。假如现在需要设置一个tensor，类型为torch.float64，使用GPU，跟踪梯度信息，创建方法如下：
>>> import torch
>>> torch.tensor([[1., 2., 3.]], dtype=torch.float64,
device=torch.device('cuda:0'), requires_grad=True)zeros, zeros_like, ones, ones_like:这四个函数是快速的创建tensor，zeros和ones分别创建为0或者为1的tensor，zeros_like和ones_like也是创建为0或者为1的tensor，不同的是zeros_like和ones_like需要tensor作为输入，like的意思是类似，类似输入tensor的shape，这样就无须预先知道某个tensor的shape即可创建出和该tensor同样shape的tensor(有点绕口),用法如下：
torch.zeros(*size, *, out=None, dtype=None, layout=torch.strided,
device=None, requires_grad=False)torch.zeros_like(input, *, dtype=None, layout=None, device=None,
requires_grad=False, memory_format=torch.preserve_format)
torch.ones(*size, *, out=None, dtype=None, layout=torch.strided,
device=None, requires_grad=False)
torch.ones_like(input, *, dtype=None, layout=None, device=None,
requires_grad=False, memory_format=torch.preserve_format)
上面的用法是详细的接口，一般来说，只会使用最基本的，例如：
>>> import torch
>>> torch.ones(3, 4)
tensor([[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]])
>>> cvtutorials = torch.ones(4, 4)
>>> torch.ones_like(cvtutorials)
tensor([[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]])torch.full和torch.full_like可以看作是torch.ones和torch.ones_like衍生出来的函数。
arange, range, linspace, logspace:arange、range和linspace用来构造公差数列。logspace用来构造指数的幂为等差数列的数组，他们的用法如下：
torch.arange(start=0, end, step=1, *, out=None, dtype=None,
layout=torch.strided, device=None, requires_grad=False)
torch.range(start=0, end, step=1, *, out=None, dtype=None,
layout=torch.strided, device=None, requires_grad=False)
torch.linspace(start, end, steps, *, out=None, dtype=None,
layout=torch.strided, device=None, requires_grad=False)
torch.logspace(start, end, steps, base=10.0, *, out=None, dtype=None,
layout=torch.strided, device=None, requires_grad=False)
我们先来看看torch.arange()的实际用例：
>>> import torch
>>> torch.range(1, 5, 0.5)
__main__:1: UserWarning: torch.range is deprecated and will be removed in a future release because its behavior is inconsistent with Python's range builtin. Instead, use torch.arange, which produces values in [start, end).
tensor([1.0000, 1.5000, 2.0000, 2.5000, 3.0000, 3.5000, 4.0000, 4.5000, 5.0000])我这里是1.7版本的torch，提示torch.range()这种用法已被废弃，他和python内置的range函数用法不兼容，所以官方建议使用torch.arange()函数，使用torch.arange()函数，结果如下：
>>> import torch
>>> torch.arange(1, 5, 0.5)
tensor([1.0000, 1.5000, 2.0000, 2.5000, 3.0000, 3.5000, 4.0000, 4.5000])至于linspace，这个函数在matlab、numpy中都可以看到，实际用例如下：
>>> import torch
>>> torch.linspace(1.0, 5.0, 5)
tensor([1., 2., 3., 4., 5.])注意：linspace函数参数中的steps只能是int类型，它指的是生成数组的大小，和torch.arange中的step要注意区分。
logspace和linspace用法类似，只不过start和end指的是幂指数，用例如下：
>>> import torch
>>> torch.logspace(start=1.0, end=5.0, steps=5)
tensor([1.0000e+01, 1.0000e+02, 1.0000e+03, 1.0000e+04, 1.0000e+05])从外部接收后转换得到的数据涉及如下函数：as_tensor，from_numpy。
as_tensor：将数据转换成torch.Tensor，用法如下：
torch.as_tensor(data, dtype=None, device=None)
如果待转换的data在cpu上，而且转换后的形状和数据类型不变，那么返回的tensor是data的引用，对返回的tensor进行操作，原来的data也会发生变化，示例如下：
>>> import torch
>>> import numpy
>>> cvtutorials = numpy.array([1.0, 2.0, 3.0])
>>> temp_tensor = torch.as_tensor(cvtutorials)
>>> temp_tensor[2] = -3.0
>>> temp_tensor
tensor([ 1., 2., -3.], dtype=torch.float64)
>>> cvtutorials
array([ 1., 2., -3.])如果将data放到GPU上，那么就会对data进行复制，分配到新的变量上，示例如下：
>>> import torch
>>> import numpy
>>> cvtutorials = numpy.array([1.0, 2.0, 3.0])
>>> temp_tensor = torch.as_tensor(cvtutorials, device=torch.device('cuda'))
>>> temp_tensor[2] = -3.0
>>> temp_tensor
tensor([ 1., 2., -3.], device='cuda:0', dtype=torch.float64)
>>> cvtutorials
array([ 1., 2., 3.])腾讯云开发者
