- 张量数据类型
- 1.常用数据类型
- 2.标量
- 3.向量
- 创建Tensor
- 从numpy中导入
- 从集合list导入
- 未初始化的
- 1.Torch.empty()
- 2.Tensor.FloatTensor(d1,d2,d3)
- 3.设置默认初始类型
- 随机初始化
- 1. torch.rand（shape）
- 2.torch.randint(范围，shape）
- 3.*_like
- 4.torch.randn(shape)
- 5.torch.full（[shape]，数据）
- 6.torch.arange(最大值，最小值，步长)
- 7.torch.linspace/logspace（最小值，最大值，steps=数量）
- 8.torch.ones/zeros/eye（shape）
- 9.torch.randperm（）
| Data type | dtype | CPU tensor | GPU tensor |
|---|---|---|---|
| 32-bit floatiing point | torch.float32 or torch.float | torch.FloatTensor | torch.cuda.FloatTensor |
| 8-bit interger(unsigned) | torch.uinf8 | torch.ByteTensor | torch.cuda.ByteTensor |
| 32-bit interger(signed) | torch.int32 or torch.int | torch.IntTensor | torch.cuda.IntTensor |
ByteTensor两个Tensor进行比较，是否相等，返回0或1。
同一个Tensor在CPU和GPU上的数据类型不相同。
a=torch.randn(2,3) print(a.type()) print(type(a)) print(isinstance(a,torch.FloatTensor))
print(isinstance(a,torch.cuda.FloatTensor)) a=a.cuda() print(isinstance(a,torch.cuda.FloatTensor))
x.cuda()返回一个GPU上的引用
标量维度dim=0，最常见的是在loss计算结果中
b=torch.tensor(1.) print(b.dim()) print(len(b.shape))3.向量
向量dim/rank=1，最常见的是bias的值。
c=torch.tensor([1.1,5.5]) d=torch.FloatTensor(1) e=np.ones(1)
FloatTensor接受的是数据的shape，随机初始化，可以使用numpy进行向量的创建。
假如一个矩阵是2X2，则dim=2，size=shape=[2，2]，tensor=([1,2],[3,4])，size(0)=2。
向量dim/rank=2，最常见的是batch、线性输入的值。
向量dim/rank=3，最常见的是RNN、batch和输入的值。
向量dim/rank=4，最常见的是CNN的值，图片类型。
a=np.array([2,3.5]) print(torch.from_numpy(a))
从numpy导入的FLOAT其实是DOUBLE类型。
tensor接受现成的数据，而Tensor接受维度和现成的数据，建议小写tensor直接写数据，大写Tensor写shape。
a=torch.tensr([1,3,5]) b=FloatTensor(2,3)未初始化的 1.Torch.empty()
申请地址空间，不需要初始化，实际也会有初始数据，且非常不规则。
默认为floattensor，增强学习一般使用double，其他一般使用float
g=torch.tensor([1.2,2]) print(g.type()) torch.set_default_tensor_type(torch.DoubleTensor) print(torch.tensor([1.2,2]).type())随机初始化 1. torch.rand（shape）
范围是[0，1]
a=torch.rand(3,3) print(a)2.torch.randint(范围，shape）
输入范围是[min，max）
a=torch.randint(2,8,[2,4]) print(a)3.*_like
输入一个tensor
print(torch.rand_like(a))4.torch.randn(shape)
正态分布，N（0，1），均值为0，方差为1，可通过torch.normal()修改均值和方差
a=torch.randn(3,3) print(a) b=torch.normal(mean=torch.full([10],0.),std=torch.arange(1,0,-0.1)) print(b)
对于mean，创建一个长度为10且全为0的，计算其均值；对于std，创建一个[1,0.9,0.8,…,0]，计算其方差。
注
意
color{#FF0000}{ 注意}
注意：如果mean中的0没有加点（.）则
全部为某个数，若shape为空，则是标量；若shape为单个数，则是一维的，例如shape=2，则生成tensor（[数据，数据]）。
a=torch.full([],1) b=torch.full([2],3) c=torch.full([2,3],10)6.torch.arange(最大值，最小值，步长)
范围是[最小值，最大值)，range通过arange代替。
a=torch.arange(1,10,2)7.torch.linspace/logspace（最小值，最大值，steps=数量）
范围是[最小值，最大值]，等分steps份。对于logspace，在分成b等份后，每一个数再乘以以b为底数，自身为指数的数。
a=torch.linspace(0,1,steps=10) b=torch.logspace(0,1,steps=10)
0到1分成10等份，然后0乘以10的0次方，0.1111乘以10的0.1111次方，直到1乘以10的1次方。
分别为生成全是1、0，单位矩阵。
a=torch.ones(2,3) b=torch.zeros(3,3) c=torch.eye(4,5) d=torch.zeros_like(a)
单位矩阵若不是方阵，对角线如以下。
可采用前面的_like，直接把一个tensor换成其他的。
随机打乱，生成一个0到该数，但不包括该数的tensor。
a=torch.rand(2,3) print(a) idx=torch.randperm(2) print(idx) print(a[idx]) b=torch.rand(2,2) print(b) idx=torch.randperm(2) print(idx) print(b[idx])
randperm（2）后，生成0，1.如果是3，则生成0，1，2。
