【基础】-tensor（张量）

一.创建一个tensor

1.只分配空间

x1 = torch.Tensor(5, 3)          # 数据是随机的，只是分配了可见，没有初始化，所及数据是对应空间里的数据
print(x1)

输出：

tensor([[7.3470e-39, 8.9082e-39, 8.9082e-39],
        [1.0194e-38, 9.1837e-39, 4.6837e-39],
        [9.2755e-39, 1.0837e-38, 8.4490e-39],
        [9.9184e-39, 9.9184e-39, 9.0000e-39],
        [1.0561e-38, 1.0653e-38, 4.1327e-39]])

2.0-1分布

x2 = torch.rand(5, 3)            # 使用[0,1]分布（默认的）随机初始化数据，构建(5, 3)shape的数组
print(x2)

输出：

tensor([[0.0786, 0.0817, 0.5277],
        [0.3758, 0.9402, 0.2716],
        [0.0723, 0.3258, 0.7880],
        [0.9141, 0.7395, 0.1126],
        [0.9843, 0.5128, 0.9107]])

3.直接创建

x3 = torch.tensor([ [1,2,3,4],
                    [5,6,7,8]])
print(x3)

输出：

tensor([[1, 2, 3, 4],
        [5, 6, 7, 8]])

4.同一个数值

x4 = torch.full((5, 3), 6)
print(x4)

输出：

tensor([[6., 6., 6.],
        [6., 6., 6.],
        [6., 6., 6.],
        [6., 6., 6.],
        [6., 6., 6.]])

5.在一个区间内按一定步长

x5 = torch.arange(0, 100, 10)     # 从0到99，按步长为10进行生成
print(x5)

输出：

tensor([ 0, 10, 20, 30, 40, 50, 60, 70, 80, 90])

或者：
在一定区间内均匀生成多少份，步长自动计算

x6 = torch.linspace(0, 100, 10)   # 在0到100均匀生成10份
print(x6)

输出：

tensor([  0.0000,  11.1111,  22.2222,  33.3333,  44.4444,  55.5556,  66.6667,
         77.7778,  88.8889, 100.0000])

这里可见看出来使用torch.linspace包含end，0到100分成10个数，相对于在0到100的线段上均匀定9个点，100/9 = 11.111111······，所以，步长为11.11111.
如果生成11份，步长就为10了。
输出：

tensor([  0.,  10.,  20.,  30.,  40.,  50.,  60.,  70.,  80.,  90., 100.])

6.特殊矩阵

# 特殊矩阵
x7 = torch.zeros(5, 3)          # 全0矩阵
print(x7)

x8 = torch.ones(5, 3)           # 全1矩阵
print(x8)

x9 = torch.eye(3, 3)            # 单位阵
print(x9)

x10 = torch.eye(5, 3)           # 当输入shape不是方阵时，一部分是单位阵，多出来的部分为0
print(x10)

输出：

tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])
        
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])
        
tensor([[1., 0., 0.],
        [0., 1., 0.],
        [0., 0., 1.]])
        
tensor([[1., 0., 0.],
        [0., 1., 0.],
        [0., 0., 1.],
        [0., 0., 0.],
        [0., 0., 0.]])

7.生成一个与已知tensor的shape相同的tensor

x11 = torch.rand_like(x10)
print(x11)

输出：

tensor([[0.2761, 0.7960, 0.0800],
        [0.3035, 0.3525, 0.5574],
        [0.3570, 0.5426, 0.4790],
        [0.3504, 0.3996, 0.1984],
        [0.5939, 0.3260, 0.6721]])

8.从numpy转

x12 = np.random.rand(5, 3)
print(x12)
x12 = torch.from_numpy(x12)
print(x12)

输出：

[[0.14858865 0.18512316 0.97759539]
 [0.96559993 0.75191884 0.1561388 ]
 [0.71575248 0.88542421 0.29086326]
 [0.67362585 0.00512253 0.34022816]
 [0.69759491 0.25110932 0.71962754]]
tensor([[0.1486, 0.1851, 0.9776],
        [0.9656, 0.7519, 0.1561],
        [0.7158, 0.8854, 0.2909],
        [0.6736, 0.0051, 0.3402],
        [0.6976, 0.2511, 0.7196]], dtype=torch.float64)

二.tensor的属性

x2 = torch.rand(5, 3)            # 使用[0,1]分布（默认的）随机初始化数据，构建(5, 3)shape的数组
print(x2)
print(x2.size())   # (列，行)
print(x2.shape)    # (列, 行)
print(x2.dtype)    # 数据类型

输出：

tensor([[0.6725, 0.6270, 0.0352],
        [0.0420, 0.4865, 0.7263],
        [0.9950, 0.3957, 0.3868],
        [0.3802, 0.3337, 0.0465],
        [0.0089, 0.7211, 0.1279]])
torch.Size([5, 3])
torch.Size([5, 3])
torch.float32

三.tensor的操作

1.加

import torch

x1 = torch.randint(0, 10, (5, 3), dtype=torch.float)
print(x1)

x2 = torch.eye(5, 3)
print(x2)

# 1
print(x1 + x2)
# 2
print(torch.add(x1, x2))
# 3
print(x1.add(x2))
# 4
sum = torch.Tensor(5, 3)     # 预先分配空间
torch.add(x1, x2, out=sum)       # 加的结果保存在sum里
print(sum)

输出：

tensor([[5., 5., 8.],
        [9., 3., 8.],
        [9., 8., 3.],
        [5., 5., 6.],
        [6., 9., 5.]])
        
tensor([[1., 0., 0.],
        [0., 1., 0.],
        [0., 0., 1.],
        [0., 0., 0.],
        [0., 0., 0.]])
        
tensor([[6., 5., 8.],
        [9., 4., 8.],
        [9., 8., 4.],
        [5., 5., 6.],
        [6., 9., 5.]])
        
tensor([[6., 5., 8.],
        [9., 4., 8.],
        [9., 8., 4.],
        [5., 5., 6.],
        [6., 9., 5.]])
        
tensor([[6., 5., 8.],
        [9., 4., 8.],
        [9., 8., 4.],
        [5., 5., 6.],
        [6., 9., 5.]])
        
tensor([[6., 5., 8.],
        [9., 4., 8.],
        [9., 8., 4.],
        [5., 5., 6.],
        [6., 9., 5.]])

tensor1.add()和tensor1.add_()的区别

这个算是和python的特性一致，不加下划线的第一种就是普通的加法，不会改变tensor1的内容。而加了下划线，即第二种，加的结果会赋值给tensor1。
例子：

print(x1.add(x2))
print(x1)
print(x1.add_(x2))
print(x1)

输出：

tensor([[5., 8., 9.],
        [2., 4., 3.],
        [6., 2., 9.],
        [3., 1., 3.],
        [8., 5., 9.]])
        
tensor([[4., 8., 9.],
        [2., 3., 3.],
        [6., 2., 8.],
        [3., 1., 3.],
        [8., 5., 9.]])
        
tensor([[5., 8., 9.],
        [2., 4., 3.],
        [6., 2., 9.],
        [3., 1., 3.],
        [8., 5., 9.]])
        
tensor([[5., 8., 9.],
        [2., 4., 3.],
        [6., 2., 9.],
        [3., 1., 3.],
        [8., 5., 9.]])

其余运算

其他的减法，乘法，除法均可使用：-，*，/。同时也可以使用

• torch.sub() 减法
• torch.mul() 乘法，只是简单的对应位置相乘，不是矩阵的乘法
• torch.div() 除法，对应位置相除

或者

• tensor1.sub(tensor2)
• tensor1.mul(tensor2)
• tensor.div(tensor2)
  上面三种加也可以加下划线，和add的例子相同。

其中，如果被除数为0，会出现这样的结果：

tensor([[9., inf, inf],
        [inf, 6., inf],
        [inf, inf, 0.],
        [nan, inf, inf],
        [inf, inf, inf]])

上面的三种运算中torch.sub()这种也都可以添加out=.

此外，还有很多其他的运算，基本都比较简单。

可能的一些错误

RuntimeError: expected backend CPU and dtype Float but got backend CPU and dtype Long

这种情况，根据提示信息就是数据的类型不对。
一般可以在创建tensor的时候添加dtype=torch.float类似的语句来改。也可以使用tensor1.float()来修改

查看tensor的数据类型时：使用tensor1.dtype