(相关资料图)

深度学习--PyTorch定义Tensor一、创建Tensor1.1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1torch.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])

标签：