深度學習--PyTorch定義Tensor

一、建立Tensor

1.1未初始化的方法

​ 這些方法只是開闢了空間，所附的初始值（非常大，非常小，0），後面還需要我們進行資料的存入。

• torch.empty()：返回一個沒有初始化的Tensor，預設是FloatTensor型別。

#torch.empty(d1,d2,d3)函數輸入的是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()：返回沒有初始化的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()：返回沒有初始化的IntTensor。

#torch.IntTensor(d1,d2,d3)
torch.IntTensor(2,2)

#tensor([[          0,  1002524760],
#        [-1687359808,         492]], dtype=torch.int32)

1.2 隨機初始化

• 隨機均勻分佈：rand/rand_like,randint

  rand:[0,1)均勻分佈；randint(min,max,[d1,d2,d3]) 返回[min,max)的整數均勻分佈

#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]]])

• 隨機正態分佈 randn

  randn返回一組符合N(0,1)正態分佈的亂資料

#randn(d1,d2,d3)
torch.randn(2,2)

#tensor([[ 0.3729,  0.0548],
#        [-1.9443,  1.2485]])

#normal(mean,std) 需要給出均值和方差
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])
#後面需要用reshape修正成自己想要的形狀

1.3 賦值初始化

• full：返回一個定值

#full([d1,d2,d3],num)
torch.full([2,2],6)

#tensor([[6, 6],
#        [6, 6]])

torch.full([],6)
#tensor(6)   標量

torch.full([1],6)
#tensor([6]) 向量

• arange：返回一組階梯,等差數列

#torch.arange(min,max,step):返回一個[min,max),步長為step的集體陣列，預設為1
torch.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:返回一組階梯

#torch.linspace(min,max,steps):返回一個[min,max],數量為steps的陣列
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):返回一個[10^a,10^b]，數量為steps的陣列
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或者對角陣 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() 只能接收一個或兩個引數
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 隨機打散變數

• randperm：一般用於位置操作。類似random.shuffle()。

torch.randperm(8)
#tensor([2, 6, 7, 5, 3, 4, 1, 0])

二、索引與切片

• 簡單索引方式

a=torch.rand(4,3,28,28)
a[0].shape
#torch.Size([3, 28, 28])
a[0,0,0,0]
#tensor(0.9373)

• 批次索引方式 開始位置：結束位置 左邊取的到，右邊取不到 算是一種切片 [0,1,2]->[-3,-2,-1]

a[:2].shape
#torch.Size([2, 3, 28, 28])
a[1:].shape
#torch.Size([3, 3, 28, 28])

• 隔行取樣方式 開始位置:結束位置:間隔

a[:,:,0:28:2,:].shape
#torch.Size([4, 3, 14, 28])

• 任意取樣方式 a.index_select(d,[d層的資料索引])

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])

• ...任意維度取樣

a[...].shape
#torch.Size([4, 3, 28, 28])

a[0,...].shape
#torch.Size([3, 28, 28])

a[:,2,...].shape
#torch.Size([4, 28, 28])

• 掩碼索引mask x.ge(0.5) 表示大於等於0.5的為1，小於0.5的為0

#torch.masked_select 取出掩碼對應位置的值
x=torch.randn(3,4)
mask=x.ge(0.5)
torch.masked_select(x,mask)

#tensor([1.6950, 1.2207, 0.6035])

• 具體索引 take(變數，位置) 會把變數變為一維的

x=torch.randn(3,4)
torch.take(x,torch.tensor([0,1,5]))

#tensor([-2.2092, -0.2652,  0.4848])