張量的創建及其基本類型

1.張量(Tensor)函數創建方法

張量最基本的創建方法和Numpy中創建Array的格式一樣,都是創建函數(序列)的格式:張量創建函數: torch.tensor()

import torch 

# 通過列表創建張量
t = torch.tensor([1,2])

# 通過元組創建張量
t = torch.tensor((1,2))

import numpy as np

a = np.array((1,2))
# 通過數組創建張量
t1 = torch.tensor(a)
"""
輸出結果為 tensor([1,2],dtype=torch.int32)
Point: 通過上述返回結果,我們發現張量也有dtype類型
"""

2.張量的類型

張量和數組類似,都有dtype方法,可返回張量類型.我們發現,整數型的數組默認創建int32（整型)類型,而張量默認創建int64(長整型)類型。相對的,創建浮點型數組時,張量默認是float32(單精度浮點型),而Array則是默認float64(雙精度浮點型)。除了數值型張量,常用的常量類型還有布爾型張量,也就是構成張量的各個元素都是布爾類型的張量。

3.張量類型的轉化

張量類型的隱式轉化
和NumPy中的Array相同,當張量各元素屬于不同類型時，系統會自動進行隱式轉化。

# 為了保證數據精度，傾向于統一轉化成數據精度比較高的
# 浮點型和整數型的隱式轉化
torch.tensor([1.1,2])

# 布爾型和數值型的隱式轉化
torch.tensor([True,2.0])

張量類型的轉化方法

當然,我們還可以使用.float(),.int()等方法對張量類型進行轉化。

t = torch.tensor([1,2])

# 轉化為默認浮點型(32位)
t.float()

# 轉化為雙精度浮點型
t.double()

# 轉化為16位整數
t.short()

張量的維度及形變

張量作為一組數的結構化表示,也同樣有維度的概念，簡單理解,向量就是一維的數組，而矩陣則是二維的數組,以此類推,在張量中,我們還可以定義更高維度的數組。當然,張量的高維數組和Numpy中的高維Array概念類似。

1.創建高維張量

用簡單序列創建一維數組
包含"簡單"元素的序列可創建一維數組。

t1 = torch([1,2])
t1 

# 使用ndim屬性查看張量的維度
t1.ndim

# 使用shape查看形狀
t1.shape

# 和size函數相同
t1.size()

注:和Numpy不同,PyTorch中的size方法返回結果和shape屬性返回結果一致。

此外,還需要注意有兩個常用的函數/方法,用來查看張量的形狀。

# 返回有幾個(N-1)維元素
len(t1)

# 返回總共有幾個數
t1.numel()

用"序列"的"序列"創建二維數組
以此類推,我們還可以用形狀相同的序列組成一個新的序列,進而將其轉化為二維張量

# 用list的list創建二維數組
t2 = torch([[1,2],[3,4]])

零維張量
在PyTorch中,還有一類特殊的張量,被稱為零維張量。該類型只包含一個元素，但又不是單獨一個數。

t0 = torch.tensor([1])  # 這個仍然是一維張量
t0 = torch.tensor(1)    # 這個是零維張量

理解零維張量:
目前我們可以將零維張量視為擁有張量屬性的單獨的一個數。(例如: 張量可以存在GPU上,但Python的原生數值對象不行,但零維張量就可以,盡管是零維。)從學術名稱來說,Python中單獨的一個數是scalars(標量),而零維的張量則是tensor。

高維張量
一般來說,三維及三維以上的張量,我們就將其稱為高維張量。當然,在高維張量中,最常見的還是三維張量,我們可以將其理解為二維數組或矩陣的集合。

a1 = np.array([[1,2,2],[3,4,4]])
a2 = np.array([[5,6,6],[7,8,8]])
t3 = torch.tensor([a1,a2])
t3.shape   # 結果為torch.Size([2,2,3])   包含兩個兩行三列的矩陣

當然，N維張量的創建方法，我們可以先創建M個N-1維的數組，然后將其拼成一個N維的張量。關于更高維度的張量，我們將在后續遇到時再進行講解。在張量的學習過程中,三維張量就已經足夠。

2.張量的形變

張量作為數字的結構化集合，其結構也是根據需求靈活調整的。

2.1 flatten拉平: 將任意維度張量轉化為一維張量

t2 = torch.tensor([[1,2]
                  ,[3,4]])
t2.flatten()   # 把張量按行排列拉平

2.2 reshape方法: 任意變形

t1 = tensor([1.2])
# 轉化為兩行一列的張量
t1.reshape(2,1)
"""
結果為: tensor([[1],[2]])
注意: reshape過程中維度的變化: reshape轉化后的維度由該方法輸入的參數"個數"決定
"""

特殊張量的創建方法

在很多數值科學計算的過程中,都會創建一些特殊取值的張量,用于模擬特殊取值的矩陣,如全0矩陣,對角矩陣等.因此,PyTorch中也存在很多創建特殊張量的函數。

1.特殊取值的張量的創建方法

全0張量

torch.tensor([2,3])  # 創建全是0的兩行三列的矩陣

注: 由于zeros就已經確定的張量元素的取值,因此該函數傳入的參數實際上是決定了張量的形狀

全1張量

torch.ones([2,3])

單位矩陣

# 返回五行五列的單位矩陣,對角線元素全為1
torch.eyes(5)

對角矩陣
略有特殊的是,在PyTorch中,需要利用一維張量取創建對焦矩陣。

t1 = torch.tensor([1,2])
torch.dialog(t1)
"""
輸出結果為: tensor([[1,0],
                   [0,2]])
"""

rand: 服從0-1均勻分布的張量

torch.rand(2,3)

randn: 服從標準正態分布的張量

torch.randn(2,3)

normal: 服從指定正態分布的張量

torch.normal(2,3,size=(2,2))  # 均值為2,標準差為3的張量

randint: 整數隨機采樣結果

torch.randint(1,10,[2,4]) # 在1-10之間隨機抽取整數,組成兩行四列的矩陣

arrange/linsapce: 生成數列

torch.arrange(5)     # 和range相同
"""
結果為:
     tensor([0,1,2,3,4])
"""
torch.arraneg(1,5,0.5)    # 從1到5(左閉右開),每隔0.5取值一次
torch.linspace(1,5,3)     # 從1到5(左右都包含),等距取3個數

empty: 生成位初始化的指定形狀矩陣

torch。empty(2,3)

full: 根據指定形狀,填充指定數值

torch.full([2,4],2)

2.創建指定形狀的數組

當然我們還能根據指定對象的形狀進行數值填充,只需要在上述函數后面加上_like即可。

t1 = torch.tensor([1,2])
t2 = torch.tensor([[1,2],[3,4]])
torch.full_like(t1,2)    # 根據t1形狀,填充數值2
torch.randint_like(t2,1,10)
torch.zeros_like(t1)

Ponint: (1)更多_like函數,可查閱幫助文檔

(2)需要注意一點的是,_like類型轉化需要注意轉化前后數據類型一致的問題;

torch.rand_like(t1)     # t1是整數，而轉化后將變成浮點數,此時代碼將報錯 

張量和其他類型的轉化方法

張量,數組和列表是較為相似的三種類型對象,在實際操作過程中,經常會涉及三種對象的相互轉化,在此之前張量的創建過程中,我們看到torch.tensor函數可以直接將數組或者列表轉化為張量,而我們也可以將張量轉化為數組或者列表。另外,前文介紹了0維張量的概念,此處也將進一步給出零維張量和數值對象的轉化方法。

numpy方法: 張量轉化為數組

t1.numpy()
# 當然也可以通過np.array函數直接轉化為array
np.array(t1)

tolist方法: 張量轉化為列表

t1.tolist()

list函數: 張量轉化為列表

list(t1)

需要注意的是,此時轉化的列表是由一個個零維張量構成的列表,而非張量的數值轉化成的列表。

.item()方法: 轉化為數值

在很多情況下,我們需要將最終計算的結果張量轉化為單獨的數值進行輸出,此時需要使用.item方法來執行。

n = torch.tensor(1)
n.item()

張量的深拷貝

Python中其他對象類型一樣,等號賦值操作實際上是淺拷貝,需要進行深拷貝，則需要使用clone方法。

s = torch.tensor([1,2])
t = s.clone()

到此這篇關于Pytorch實現張量的創建與使用方法的文章就介紹到這了,更多相關Pytorch實現張量創建使用內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！