1、通过复制数据构造张量
1.1 torch.tensor()
torch.tensor([[0.1, 1.2], [2.2, 3.1], [4.9, 5.2]])
Out[111]:?
tensor([[0.1000, 1.2000],
? ? ? ? [2.2000, 3.1000],
? ? ? ? [4.9000, 5.2000]])
torch.tensor([0, 1])?
Out[112]: tensor([0, 1])
torch.tensor([[0.11111, 0.222222, 0.3333333]],
? ? ? ? ? ? ?dtype=torch.float64, ? ? ? ? ? ? ?device=torch.device('cpu'))
Out[113]: tensor([[0.1111, 0.2222, 0.3333]], dtype=torch.float64)
torch.tensor(3.14159)
Out[114]: tensor(3.1416)
torch.tensor([])?
Out[115]: tensor([])
torch.tensor([[0.11111, 0.222222, 0.3333333]],
? ? ? ? ? ? ?dtype=torch.float64, ? ? ? ? ? ? ?device=torch.device('cpu'), requires_grad=True, pin_memory=False)
Out[117]: tensor([[0.1111, 0.2222, 0.3333]], dtype=torch.float64, requires_grad=True)
dtype （torch.dtype，可选）–返回张量的所需数据类型。默认值：如果没有，则根据数据推断数据类型。 device （torch.device，可选）–构造张量的装置。如果没有，并且数据是张量，那么就使用数据设备。如果没有且数据不是张量，则结果张量在CPU上构造。 require_grad （bool，可选）– 是否需要保留梯度信息。默认值：False。 pin_memory （bool，可选）–如果设置了，返回的张量将分配到pind内存中。仅适用于CPU张量。默认值：False。
1.2 将numpy的ndarray转为tensor
>>> a = numpy.array([1, 2, 3])
>>> t = torch.as_tensor(a)
>>> t
tensor([1, 2, 3])
>>> t[0] = -1
>>> a
array([-1, ?2, ?3])
>>> a = numpy.array([1, 2, 3])
>>> t = torch.as_tensor(a, device=torch.device('cuda'))
>>> t[0] = -1
>>> a
array([1, 2, 3])
t = torch.as_tensor([2, 2, 2], device=torch.device('cuda'))
>>> t
tensor([2, 2, 2], device='cuda:0')
a = numpy.array([1, 2, 3])
t = torch.from_numpy(a)
t
Out[38]: tensor([1, 2, 3])
t[0] = -1
a
Out[40]: array([-1, ?2, ?3])
2、生成全0或者全1的tensor
torch.zeros(2, 3) Out[41]:? tensor([[0., 0., 0.], ? ? ? ? [0., 0., 0.]]) torch.zeros(5) Out[42]: tensor([0., 0., 0., 0., 0.]) torch.ones(2, 3) Out[43]:? tensor([[1., 1., 1.], ? ? ? ? [1., 1., 1.]]) torch.ones(5) Out[44]: tensor([1., 1., 1., 1., 1.])
参数列表:
out ：输出的对象 dtype: 返回的张量的所需数据类型。默认值：如果没有，则使用全局默认值（请参阅torch.set_Default_tensor_type（））。 layout device : 构造张量的装置。如果没有，并且数据是张量，那么就使用数据设备。如果没有且数据不是张量，则结果张量在CPU上构造。 requires_grad : 是否需要保留梯度信息。默认值：False。
3、生成序列
3.1、 生成一个指定步长的等差序列
torch.arange(5) Out[45]: tensor([0, 1, 2, 3, 4]) torch.arange(1, 4) Out[46]: tensor([1, 2, 3]) torch.arange(1, 2.5, 0.5) Out[47]: tensor([1.0000, 1.5000, 2.0000])start : 点集的开始值。默认值：0。 end : 点集的结束值 step : 每对相邻点之间的间隙。默认值：1，可以是小数。
3.2 生成一个指定步数的等差数列
torch.linspace(3, 10, steps=5) Out[49]: tensor([ 3.0000, ?4.7500, ?6.5000, ?8.2500, 10.0000]) torch.linspace(-10, 10, steps=5) Out[50]: tensor([-10., ?-5., ? 0., ? 5., ?10.]) torch.linspace(start=-10, end=10, steps=1) Out[51]: tensor([-10.])
4、生成指定大小的单位矩阵
torch.eye(3) Out[58]:? tensor([[1., 0., 0.], ? ? ? ? [0., 1., 0.], ? ? ? ? [0., 0., 1.]])
5、生成一个指定大小张量
torch.empty((2,3), dtype=torch.int64) Out[59]:? tensor([[0, 0, 0], ? ? ? ? [0, 0, 2]])
6、 创建一个指定大小的张量。张量的数据是填充的指定值
torch.full((2, 3), 3.141592) Out[67]:? tensor([[3.1416, 3.1416, 3.1416], ? ? ? ? [3.1416, 3.1416, 3.1416]])
到此这篇关于pytorch创建tensor函数详情的文章就介绍到这了,更多相关pytorch创建tensor函数内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！
查看更多关于pytorch创建tensor函数详情的详细内容...
声明：本文来自网络，不代表【好得很程序员自学网】立场，转载请注明出处：http://www.haodehen.cn/did99283