代码先锋网 代码片段及技术文章聚合

import from numpy,从numpy引入。

a = np.array([2,3.3])
torch.from_numpy(a)

a = np.ones([2,3])
torch.from_numpy(a)
print(a)

注意：小写的tensor接受的参数是现有的数据，大写的Tensor接受的数据的维度，大写也可以接受现有数据，必须以list形式表示出。

import from List

a = torch.tensor([2.,3.2])
print(a)
a = torch.FloatTensor([2.,3.2])#不建议使用，容易造成混淆
#常见用法为torch.FloatTensor(2,3)，表示2*3的tensor

a = torch.tensor([ [2.,3.2],[1.,22.3] ])
print(a)

生成未初始化的tensor，未初始化的tensor一定要紧跟着写入数据的后续步骤，未初始化的tensor里面的数据是随机的

a = torch.empty(2)
print(a)

a = torch.Tensor(2,3)
print(a)

a = torch.IntTensor(2,3)
print(a)

a = torch.FloatTensor(2,3)
print(a)

设置tensor的默认类型，如：int，float，double等

最原始的默认为float型，增强学习一般使用double，其他使用float

a = torch.tensor([1.2,3])
print(a.type())

torch.set_default_tensor_type(torch.DoubleTensor)
a = torch.tensor([1.2,3])
print(a.type())

几种常见的随机初始化

rand，随机从[0,1)中选取数据

#如果要均匀采样0-10的tensor，要用10*rand(d1,d2)，randint只能采样整数
a = torch.rand(3,3)
print(a)

a = torch.rand_like(a)#先当于先把a的shape读取出来在传入rand
print(a)

#参数含义分别为，最小值，最大值，shape
a = torch.randint(1,10,[3,3])
print(a)

正态分布

a = torch.randn(3,3)
print(a)

#维度为10的均值，方差从1到0慢慢减小，如果需要得到n*m，要先打平，再reshape
a = torch.normal(mean=torch.full([10],0),std=torch.arange(1,0,-0.1))
print(a)

full函数

a = torch.full([2,3],7)
print(a)

#生成标量
a = torch.full([],7)
print(a)
print(a.type())

#生成一个长度为[n]的vector
a = torch.full([2],7)
print(a)
print(a.type())

arange,range

a = torch.arange(0,10)
print(a)

#步长为2
a = torch.arange(0,10,2)
print(a)

#不建议使用
a = torch.range(0,10)
print(a)

linspace,logspace

#产生四个数据
a = torch.linspace(0,10,steps=4)
print(a)

a = torch.linspace(0,10,steps=10)
print(a)

a = torch.linspace(0,10,steps=11)
print(a)

#0到-1,切割成10份，返回10的次方
a = torch.logspace(0,-1,steps=10)
print(a)

a = torch.logspace(0,1,steps=10)
print(a)

Ones,zeros,eye

a = torch.ones(3,3)
print(a)

a = torch.zeros(3,3)
print(a)

#主对角线为1
a = torch.eye(3,4)
print(a)

a = torch.eye(3)
print(a)

randperm随机打散

a = torch.rand(2,3)
b = torch.rand(2,2)

idx = torch.randperm(2)

print(a)
print(a[idx])
print(b)
print(b[idx])