1、import from numpy / list
方法：torch.from_numpy(ndarray)
常見的初始化有torch.tensor和torch.tensor
區別：tensor()：通過numpy 或 list 的現有資料初始化
tensor()：1、接收資料的維度（，）shape
2、接收現有的資料[,]
a = np.array([1,2,3])data = torch.from_numpy(a)
print(data)
"""輸出：
tensor([1, 2, 3], dtype=torch.int32)
"""b = np.ones([2,3])
data1 = torch.from_numpy(b)
print(data1)
"""輸出：
tensor([[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
"""# 引數為 list
print(torch.tensor([2.,1.2]))
"""輸出：
tensor([2.0000, 1.2000])
"""
2、未初始化 / 設定預設型別
方法：torch.empty(size)
torch.floattensor(d1,d2,d3)
torch.inrtensor(d1,d2,d3)
torch.set_default_tensor_type(torch.doubletensor (設定預設型別)
# 未初始化data = torch.empty(1)
print(data)
print(torch.tensor(2,3))
print(torch.inttensor(3,4))
"""輸出：
tensor([0.])
tensor([[0.0000e+00, 0.0000e+00, 2.8026e-45],
[0.0000e+00, 1.4013e-45, 0.0000e+00]])
tensor([[1718379891, 1698963500, 1701013878, 1986356256],
[ 744842089, 1633899296, 1416782188, 543518841],
[1887007844, 1646275685, 543977327, 1601073006]], dtype=torch.int32)
"""print(torch.tensor([1.,2]).type())
torch.set_default_tensor_type(torch.doubletensor)
print(torch.tensor([1.,2]).type())
"""輸出：
torch.floattensor
torch.doubletensor
"""
3、隨機生成
torch.rand(size)：產生[0,1]均勻分布的資料
torch.rand_like(input, dtype)：接收tensor讀取shape再用rand生成
torch.randint(low = 0, high, size)：隨機生成整數值tensor，範圍 [min，max)：左閉右開
torch.randn(size)：n（0,1）均值為0，方差為1的正態分佈（n（u，std））
torch.full(size, fill_value)：全部賦予相同的值
torch.normal(means,std,out = none)
返回乙個張量，包含從給定引數means,std的離散正態分佈中抽取隨機數。 均值means是乙個張量，包含每個輸出元素相關的正態分佈的均值。 std是乙個張量，包含每個輸出元素相關的正態分佈的標準差。 均值和標準差的形狀不須匹配，但每個張量的元素個數須相同。
引數:means (tensor) – 均值
std (tensor) – 標準差
out (tensor) – 可選的輸出張量
data = torch.rand(3,3)print(data)
"""輸出：
tensor([[0.0775, 0.2610, 0.0833],
[0.7911, 0.6999, 0.6589],
[0.4790, 0.6801, 0.6582]])
"""data_like = torch.randn_like(data)
print(data_like)
"""輸出：
tensor([[ 0.6866, 2.5939, -0.2480],
[-0.9259, -0.3617, 0.5759],
[-1.0179, -1.0938, 0.6426]])
"""print(torch.randint(1,10,[3,3]))
"""輸出：
tensor([[7, 3, 2],
[8, 6, 7],
[7, 7, 7]])
"""data = torch.randn(3,3)
print(data)
"""輸出：
tensor([[-0.6225, -0.1253, -0.1083],
[-0.3199, -0.5670, 0.2898],
[-0.6500, 0.9275, 1.0377]])
"""data = torch.normal(mean=torch.full([10],0),std=torch.arange(1,0,-0.1))
print(data)
"""輸出：
tensor([-0.6509, -1.4877, 0.4740, 1.1891, 0.1009, -0.4449, -0.3422, 0.1519,
-0.2735, 0.1140])
"""print(torch.full([2,4],7))
print(torch.full(,7)) # 標量
"""輸出：
tensor([[7., 7., 7., 7.],
[7., 7., 7., 7.]])
tensor(7.)
"""
4、序列生成
torch.arange(start, end, step)
# [start,end) 左閉右開，預設步長為1
torch.range(start, end, step) (已被arange替代)
# 包括end，step是兩個點間距
torch.linspace(start, end, steps) # 等差數列
# 包括end, steps 是點的個數，包括端點, (等距離)
torch.logspace(start, end, steps) #
print(torch.arange(0,10))print(torch.arange(0,10,2))
print(torch.linspace(0,10,steps=3))
print(torch.linspace(0,10,steps=11))
print(torch.logspace(0,-1,steps=10))
print(torch.logspace(0,1,steps=10))
"""輸出：
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
tensor([0, 2, 4, 6, 8])
tensor([ 0., 5., 10.])
tensor([ 0., 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])
tensor([1.0000, 0.7743, 0.5995, 0.4642, 0.3594, 0.2783, 0.2154, 0.1668, 0.1292,
0.1000])
tensor([ 1.0000, 1.2915, 1.6681, 2.1544, 2.7826, 3.5938, 4.6416, 5.9948,
7.7426, 10.0000])
"""
5、全零、全
一、單位矩陣
torch.zeros(size)
torch.zeros_like(input, dtype)
torch.ones(size)
torch.ones_like(input, dtype)
torch.eye(size)
print(torch.ones(3,3))print(torch.zeros(2,3))
print(torch.eye(4,4))
print(torch.eye(2))
"""輸出：
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
tensor([[0., 0., 0.],
[0., 0., 0.]])
tensor([[1., 0., 0., 0.],
[0., 1., 0., 0.],
[0., 0., 1., 0.],
[0., 0., 0., 1.]])
tensor([[1., 0.],
[0., 1.]])
"""
6、torch.randperm(n) # 生成乙個0到n-1的n-1個整數的隨機排列
print(torch.randperm(10))"""輸出：
tensor([0, 1, 4, 7, 9, 8, 6, 3, 2, 5])
"""
PyTorch入門（三）PyTorch常用操作
def bilinear kernel in channels,out channels,kernel size return a bilinear kernel tensor tensor in channels,out channels,kernel size,kernel size 返回雙線性...
pytorch常用函式
torch.cat torch.squeeze torch.unsqueeze torch.stack torch.sum torch.sum input dim,out none tensor input tensor 輸入張量 dim int 縮減的維度 out tensor,optional ...
pytorch 常用函式
pytorch 常用函式 參考 網易雲課堂pytorch 學習 建立tensor import from numpy import numpy as np import torch a np.array 2,3.3 torch.from numpy a out tensor 2.0000,3.300...