玉祥在线开户——SKSKFC
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。
1
2
3
4
5
6
7
8
9
10
#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。
1
2
3
4
5
#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。
1
2
3
4
5
#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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
#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
1
2
3
4
5
6
7
8
9
10
11
#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
1
2
3
4
5
6
7
8
9
10
11
#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
1
2
3
4
5
6
7
#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
1
2
3
4
5
6
7
8
9
10
11
#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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
#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()。
1
2
torch.randperm(8)#tensor([2, 6, 7, 5, 3, 4, 1, 0])二、索引与切片
简单索引方式
1
2
3
4
5
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]
1
2
3
4
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
1
2
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])
1
2
3
4
5
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
1
2
3
4
5
6
7
8
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
1
2
3
4
5
6
#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
1
2
3
4
x=torch.randn(3,4)torch.take(x,torch.tensor([0,1,5])) #tensor([-2.2092, -0.2652, 0.4848])