玉祥在線開戶——SKSKFC
一、創(chuàng)建Tensor
1.1未初始化的方法
這些方法只是開辟了空間，所附的初始值（非常大，非常小，0），后面還需要我們進(jìn)行數(shù)據(jù)的存入。
torch.empty()：返回一個沒有初始化的Tensor，默認(rèn)是FloatTensor類型。
1
2
3
4
5
6
7
8
9
10
#torch.empty(d1,d2,d3)函數(shù)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。
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()：返回沒有初始化的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 隨機(jī)初始化
隨機(jī)均勻分布：rand/rand_like,randint
rand:[0,1)均勻分布；randint(min,max,[d1,d2,d3]) 返回[min,max)的整數(shù)均勻分布
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]]])隨機(jī)正態(tài)分布 randn
randn返回一組符合N(0,1)正態(tài)分布的隨機(jī)數(shù)據(jù)
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])#后面需要用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
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)?? 標(biāo)量??torch.full([1],6)#tensor([6]) 向量arange：返回一組階梯,等差數(shù)列
1
2
3
4
5
6
7
#torch.arange(min,max,step):返回一個[min,max),步長為step的集體數(shù)組，默認(rèn)為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:返回一組階梯
1
2
3
4
5
6
7
8
9
10
11
#torch.linspace(min,max,steps):返回一個[min,max],數(shù)量為steps的數(shù)組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(shù)量為steps的數(shù)組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
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() 只能接收一個或兩個參數(shù)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(jī)打散變量
randperm：一般用于位置操作。類似random.shuffle()。
1
2
torch.randperm(8)#tensor([2, 6, 7, 5, 3, 4, 1, 0])二、索引與切片
簡單索引方式
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 開始位置：結(jié)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]
1
2
3
4
a[:2].shape#torch.Size([2, 3, 28, 28])a[1:].shape#torch.Size([3, 3, 28, 28])隔行采樣方式 開始位置:結(jié)束位置:間隔
1
2
a[:,:,0:28:2,:].shape#torch.Size([4, 3, 14, 28])任意取樣方式 a.index_select(d,[d層的數(shù)據(jù)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])...任意維度取樣
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])掩碼索引mask x.ge(0.5) 表示大于等于0.5的為1，小于0.5的為0
1
2
3
4
5
6
#torch.masked_select 取出掩碼對應(yīng)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(變量，位置) 會把變量變?yōu)橐痪S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])標(biāo)簽：
