这是我参与8月更文挑战的第7天，活动详情查看：8月更文挑战
现在文章的标题设计是文章是否获取更多阅读一个关键步骤，我想了半天，不断推翻最后还是用了一个朴实无华的标题——Pytorch 入门与提高(1)，不过希望我们分享内容可以给你带来价值，
引入依赖，这里除了今天主角，我们还引入一个 numpy
import numpy as np
import torch
创建 Tensor
data = [[1, 2],[3, 4]]
x_data = torch.tensor(data)
创建 Tensor 非常简单，我们直接用数据输入到 torch.tensor 便创建了一个 Tensor 数据类型。
基于 numpy 和 list 来创建 Tensor
创建 Tensor 方法有很多，我们先来介绍基于既有 numpy 和 list 集合类型来创建 Tensor。
通过 numpy 来创建 Tensor
在 python 项目中，随处可以看到 numpy 的身影、无论是机器学习还是数据分析挖掘项目中都可以会用到 numpy。所以在 tensorflow 和 pytorch 这些当下流行的深度学习框架都提供了对 numpy 的支持。
a = np.array([1,1.2])
使用 torch.from_numpy 将 numpy 的 ndarray 类型转换为 pytorch 的 tensor 类型，并且保持类型不变 float64
a_tensor = torch.from_numpy(a)
a_tensor
tensor([1.0000, 1.2000])
通过 List 来创建 Tensor
除了上边可以通过 numpy 的 ndarray 创建 Tensor 以外，pytorch 还支持通过 list 来创建 Tensor。
a_list = [1,1.2]
a_tensor = torch.tensor(a_list)
a_tensor
tensor([1.0000, 1.2000])
b_tensor = torch.FloatTensor(a_list)
b_tensor
tensor([1.0000, 1.2000], dtype=torch.float32)
注意这里使用 torch.tensor 创建 Tensor，在 torch 中还有一个大写开头 torch.Tensor,他们具有不同用途，也就是接收不同参数来创建 Tensor，小写开头 tensor 接收 list 或者 numpy 对象作为参数来创建 Tensor，而大写开头除此以外还接收表示size来创建一个随机初始化数据的 Tensor。
a_empty = torch.empty(2,3)
a_empty
tensor([[-2.3158e+77, -2.3158e+77, 5.9288e-323],
[ 0.0000e+00, 2.1220e-314, 2.9805e+179]])
a_tensor = torch.FloatTensor(2,3,3,3)
a_tensor
tensor([[[[ 2.4174e-06, 2.1780e-04, 1.2914e-11],
[ 1.6691e+22, 2.6705e+23, 8.2662e-10],
[ 2.7300e-06, 8.1714e+20, 3.2944e-09]],
[[ 4.2248e-05, 2.3328e-18, 1.6678e+19],
[ 7.0976e+22, 1.2853e+31, 3.0979e+32],
[ 2.3329e-18, 4.5447e+30, 7.0062e+22]],
[[ 2.1058e+35, 2.6447e+20, 6.4825e-10],
[ 1.2849e+31, 1.8395e+25, 6.1963e-04],
[ 2.0662e+20, 8.1936e-10, 2.1344e-07]]],
[[[ 1.3236e-08, 4.3964e-05, 6.7498e-07],
[ 6.6288e-10, 1.3679e+22, 2.3049e-12],
[ 7.1429e+31, 2.5226e-18, 6.4825e-10]],
[[ 1.0015e-11, 1.2352e-08, 2.6707e-06],
[ 4.0518e-11, 2.6079e-09, 2.9572e-18],
[ 7.2646e+22, 7.2250e+28, 2.5226e-18]],
[[ 2.4283e-18, 1.7516e-43, 0.0000e+00],
[ 0.0000e+00, -8.5899e+09, 1.8190e-27],
[-3.6902e+19, 1.2612e-44, -8.5899e+09]]]], dtype=torch.float32)
使用 empty 或 FloatTensor 进行未初始化创建 Tensor，其实 Tensor 中也是有随机给定的值，不过这些值过大或者过小。
设置默认类型
如果我们在创建 tesnor 没有指定数据类型时，系统就会使用 torch.FloatTensor 默认数据类型。
a = torch.tensor([1,]).type()
a
设置默认类型，可以通过 set_default_tensor_type 来设置默认 tensor 数据类型。
torch.set_default_tensor_type(torch.DoubleTensor)
a = torch.tensor([1.2,2.1]).type()
a
'torch.DoubleTensor'
使用 rand 方法随机创建 tensor
可以调用 rand 方法来创建 tensor ，rand 创建的 tensor 是由一些随机数初始化而得，rand 方法接收一个指定 tensor 的形状的参数，下面创建一个 tensor。
torch.rand(2,3)
tensor([[0.4056, 0.9493, 0.2661],
[0.2156, 0.4715, 0.4217]])
使用 rand_like 方法创建 tensor
rand_like 和 rand 相比不同处，rand_like 接收一个 tensor 作为参数，rand_like 创建出的 tensor 会与输入 tensor 的形状一致。
a = torch.tensor([[2.,3.,4.],[1.,2.,3.]])
res = torch.rand_like(a)
print(res.shape)
torch.Size([2, 3])
通常创建好 Tensor 我们都需要查看一下 Tensor 形状
通过随机数来初始化一个 Tensor
randint 用于创建一个整数随机数组成的 Tensor
# [min,max)
torch.randint(1,10,(2,3))
- 第一个参数(low)默认值为 0 定义从一定范围随机抽取一个随机数起始值
- 第二个参数(high) 范围的终止值
- 第三个参数(size) 创建 tensor 形状
tensor([[6, 1, 9],
[1, 2, 8]])
# 正态分布,randn 表示均值为 0 方差为 1 的正态分布
torch.randn(3,3)
tensor([[ 0.7808, 0.9283, -0.3443],
[-0.6449, 0.7878, -0.2888],
[-0.5749, 0.0562, 2.5841]])
# normal 函数提供自定义均值和方差来创建 tensor，例如我们想要创建 2 * 5 的正态分布，先创建 10 数，然后创建 10 均值，再创建 10 个方差
a = torch.normal(mean=torch.full([10],0.),std=torch.arange(1,0,-0.1))
# full 函数创建 10 为 0 的 Tensor
a
tensor([-0.7043, 2.0245, -0.3698, 0.3927, 0.0138, -0.2230, -0.8763, 0.0090,
0.2446, 0.0955])
torch.normal(mean=0.5, std=torch.arange(1., 6.))
tensor([ 1.0381, -1.3676, -5.2665, 5.1679, -8.0477])
normal 方法来创建 Tensor
用 normal 来创建一个张量，包含从给定参数means,std的离散正态分布中抽取随机数。 均值means是一个 Tensor，包含每个输出元素相关的正态分布的均值。 std是一个 tensor，包含每个输出元素相关的正态分布的标准差。 均值和标准差的形状不须匹配，但每个 tensor 的元素个数须相同。
torch.normal(mean=torch.arange(1., 11.), std=torch.arange(1, 0, -0.1))
tensor([0.6371, 3.1117, 3.2735, 3.7251, 3.8135, 5.7626, 7.0770, 8.1662, 9.1001,
9.9700])
tensor_full_a = torch.full((2,3),7.)
tensor_full_a
tensor([[7., 7., 7.],
[7., 7., 7.]])
torch.full((2, 3), 3.141592)
tensor([[3.1416, 3.1416, 3.1416],
[3.1416, 3.1416, 3.1416]])
# 使用 reshape 对形状进行变换
a = a.reshape(2,5)
a
tensor([[-0.7043, 2.0245, -0.3698, 0.3927, 0.0138],
[-0.2230, -0.8763, 0.0090, 0.2446, 0.0955]])
linspace 方法来创建 Tensor
torch.linspace(0,10,steps=4)
创建一个 Tensor，那么 linspace 可以创建出一个什么样的 Tensor，第一个和第二个参数定义区间起始位置和终止位置，steps 在start和end间生成的样本数。
tensor([ 0.0000, 3.3333, 6.6667, 10.0000])
torch.logspace(0,-1,steps=10)
tensor([1.0000, 0.7743, 0.5995, 0.4642, 0.3594, 0.2783, 0.2154, 0.1668, 0.1292,
0.1000])
通过对于 Tensor 改变其形状也可以获得一个新的 Tensor
b = torch.tensor([[2,3,4],[1,2,3]])
b.reshape(3,2)
tensor([[2, 3],
[4, 1],
[2, 3]])
full 方法创建 tensor
full 方法接收两个参数，一个参数用于指定创建的 tensor 的形状，第二参数是填充 tensor 的数值。
# a.reshape(3,2)
torch.full([2,3],7.)
tensor([[7., 7., 7.],
[7., 7., 7.]])
# 创建一个标量
torch.full([],7)
tensor(7.)
# 创建一个向量
torch.full([1],7)
tensor([7.])
arange 方法创建 tensor
arange 创建 tensor 接收一个区间，区间原则符合左闭右开原则,[)
torch.arange(0,10)
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
# 第三个参数表示步进
torch.arange(0,10,2)
tensor([0, 2, 4, 6, 8])
等分方法创建 tensor
linspace 是在一个指定区间进行等分，例如 steps 对区间进行 steps 等分。
torch.linspace(0,10,steps=4)
tensor([ 0.0000, 3.3333, 6.6667, 10.0000])
torch.linspace(0,10,steps=10)
tensor([ 0.0000, 1.1111, 2.2222, 3.3333, 4.4444, 5.5556, 6.6667, 7.7778,
8.8889, 10.0000])
torch.linspace(0,10,steps=11)
tensor([ 0., 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])
torch.logspace(0,-1,steps=10)
tensor([1.0000, 0.7743, 0.5995, 0.4642, 0.3594, 0.2783, 0.2154, 0.1668, 0.1292,
0.1000])
torch.logspace(0,1,steps=10)
tensor([ 1.0000, 1.2915, 1.6681, 2.1544, 2.7826, 3.5938, 4.6416, 5.9948,
7.7426, 10.0000])
其他方法创建 tensor
- ones 方法创建一个全部都是 1 的 tensor，ones 接收参数用于指定 tensor 形状
- zeros 方法创建一个全部都是 0 的 tensor，ones 接收参数用于指定 tensor 形状
- eye 方法创建一个对角线全部都是 1 的，其他位置都是 0 的 tensor，ones 接收参数用于指定 tensor 形状
torch.ones(3,3)
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
torch.zeros(3,3)
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
torch.eye(3,2)
tensor([[1., 0.],
[0., 1.],
[0., 0.]])
torch.eye(3)
tensor([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
a = torch.zeros(3,3)
torch.ones_like(a)
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
# 随机打散 [0,10)
torch.randperm(10)
tensor([1, 3, 0, 2, 9, 5, 6, 7, 4, 8])
a = torch.rand(2,3)
b = torch.rand(2,2)
idx = torch.randperm(2)
idx
tensor([0, 1])
a[idx]
tensor([[0.9753, 0.6958, 0.7198],
[0.9417, 0.3410, 0.9740]])
b[idx]
tensor([[0.0652, 0.7491],
[0.9848, 0.7652]])
