深度学习--PyTorch定义Tensor

一、创建Tensor

1.1未初始化的方法

​ 这些方法只是开辟了空间，所附的初始值（非常大，非常小，0），后面还需要我们进行数据的存入。

• torch.empty()：返回一个没有初始化的Tensor，默认是FloatTensor类型。

#torch.empty(d1,d2,d3)函数输入的是shape 
torch.empty(2,3,5)

#tensor([[[-1.9036e-22,  6.8944e-43,  0.0000e+00,  0.0000e+00, -1.0922e-20],
#         [ 6.8944e-43, -2.8812e-24,  6.8944e-43, -5.9272e-21,  6.8944e-43],
#         [ 0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00]],
#
#        [[ 0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00],
#         [ 0.0000e+00,  0.0000e+00,  1.4013e-45,  0.0000e+00,  0.0000e+00],
#         [ 0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00]]])

• torch.FloatTensor()：返回没有初始化的FloatTensor。

#torch.FloatTensor(d1,d2,d3)
torch.FloatTensor(2,2)

#tensor([[-0.0000e+00,  4.5907e-41],
#        [-7.3327e-21,  6.8944e-43]])

• torch.IntTensor()：返回没有初始化的IntTensor。

#torch.IntTensor(d1,d2,d3)
torch.IntTensor(2,2)

#tensor([[          0,  1002524760],
#        [-1687359808,         492]], dtype=torch.int32)

1.2 随机初始化

• 随机均匀分布：rand/rand_like,randint

  rand:[0,1)均匀分布；randint(min,max,[d1,d2,d3]) 返回[min,max)的整数均匀分布

#torch.rand(d1,d2,d3)
torch.rand(2,2)

#tensor([[0.8670, 0.6158],
#        [0.0895, 0.2391]])

#rand_like()
a=torch.rand(3,2)
torch.rand_like(a)

#tensor([[0.2846, 0.3605],
#        [0.3359, 0.2789],
#        [0.5637, 0.6276]])

#randint(min,max,[d1,d2,d3])
torch.randint(1,10,[3,3,3])

#tensor([[[3, 3, 8],
#         [2, 7, 7],
#         [6, 5, 9]],
#
#        [[7, 9, 9],
#         [6, 3, 9],
#         [1, 5, 6]],
#
#        [[5, 4, 8],
#         [7, 1, 2],
#         [3, 4, 4]]])

• 随机正态分布 randn

  randn返回一组符合N(0,1)正态分布的随机数据

#randn(d1,d2,d3)
torch.randn(2,2)

#tensor([[ 0.3729,  0.0548],
#        [-1.9443,  1.2485]])

#normal(mean,std) 需要给出均值和方差
torch.normal(mean=torch.full([10],0.),std=torch.arange(1,0,-0.1))

#tensor([-0.8547,  0.1985,  0.1879,  0.7315, -0.3785, -0.3445,  0.7092,  0.0525, 0.2669,  0.0744])
#后面需要用reshape修正成自己想要的形状

1.3 赋值初始化

• full：返回一个定值

#full([d1,d2,d3],num)
torch.full([2,2],6)

#tensor([[6, 6],
#        [6, 6]])

torch.full([],6)
#tensor(6)   标量

torch.full([1],6)
#tensor([6]) 向量

• arange：返回一组阶梯,等差数列

#torch.arange(min,max,step):返回一个[min,max),步长为step的集体数组，默认为1
torch.arange(0,10)

#tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

torch.arange(0,10,2)
#tensor([0, 2, 4, 6, 8])

• linspace/logspace:返回一组阶梯

#torch.linspace(min,max,steps):返回一个[min,max],数量为steps的数组
torch.linspace(1,10,11)

#tensor([ 1.0000,  1.9000,  2.8000,  3.7000,  4.6000,  5.5000,  6.4000,  7.3000,
#         8.2000,  9.1000, 10.0000])

#torch.logspace(a,b,steps):返回一个[10^a,10^b]，数量为steps的数组
torch.logspace(0,1,10)

#tensor([ 1.0000,  1.2915,  1.6681,  2.1544,  2.7826,  3.5938,  4.6416,  5.9948,
#         7.7426, 10.0000])

• ones/zeros/eye:返回全1全0或者对角阵 ones_like/zeros_like

#torch.ones(d1,d2)
torch.ones(2,2)

#tensor([[1., 1.],
#        [1., 1.]])

#torch.zeros(d1,d2)
torch.zeros(2,2)

#tensor([[0., 0.],
#        [0., 0.]])

#torch.eye() 只能接收一个或两个参数
torch.eye(3)

#tensor([[1., 0., 0.],
#        [0., 1., 0.],
#        [0., 0., 1.]])

torch.eye(2,3)

#tensor([[1., 0., 0.],
#        [0., 1., 0.]])

1.4 随机打散变量

• randperm：一般用于位置操作。类似random.shuffle()。

torch.randperm(8)
#tensor([2, 6, 7, 5, 3, 4, 1, 0])

二、索引与切片

• 简单索引方式

a=torch.rand(4,3,28,28)
a[0].shape
#torch.Size([3, 28, 28])
a[0,0,0,0]
#tensor(0.9373)

• 批量索引方式 开始位置：结束位置 左边取的到，右边取不到 算是一种切片 [0,1,2]->[-3,-2,-1]

a[:2].shape
#torch.Size([2, 3, 28, 28])
a[1:].shape
#torch.Size([3, 3, 28, 28])

• 隔行采样方式 开始位置:结束位置:间隔

a[:,:,0:28:2,:].shape
#torch.Size([4, 3, 14, 28])

• 任意取样方式 a.index_select(d,[d层的数据索引])

a.index_select(0,torch.tensor([0,2])).shape
#torch.Size([2, 3, 28, 28])

a.index_select(1,torch.tensor([0,2])).shape
#torch.Size([4, 2, 28, 28])

• ...任意维度取样

a[...].shape
#torch.Size([4, 3, 28, 28])

a[0,...].shape
#torch.Size([3, 28, 28])

a[:,2,...].shape
#torch.Size([4, 28, 28])

• 掩码索引mask x.ge(0.5) 表示大于等于0.5的为1，小于0.5的为0

#torch.masked_select 取出掩码对应位置的值
x=torch.randn(3,4)
mask=x.ge(0.5)
torch.masked_select(x,mask)

#tensor([1.6950, 1.2207, 0.6035])

• 具体索引 take(变量，位置) 会把变量变为一维的

x=torch.randn(3,4)
torch.take(x,torch.tensor([0,1,5]))

#tensor([-2.2092, -0.2652,  0.4848])