[Python知识库]PyTorch 创建Tensor

?

Pytorch中定义了一个Tensor类来实现张量，Tensor在使用上与numpy的ndarray类似，不同的是，Tensor可以在GPU上运行，但是numpy只能在CPU上运行，当然numpy与Tensor可以进行相互转换，以此使得numpy数据在GPU上运行。Pytorch中的Tensor又包括CPU上的数据类型和GPU上的数据类型，两种数据类型之间也可以进行相互转换。

在 PyTorch 中可以通过三种方式创建张量：

• 通过调用Tensor类的构造函数。
• 通过将 NumPy 数组或 Python 列表转换为张量。
• 通过PyTorch提供的接口为您创建具有特定数据的张量。例如，您可以使用

torch.zeros() 函数创建一个填充零值的张量。

通过调用Tensor类的构造函数

• 通过传递Python 可迭代的数据（例如，列表（list）或元组（tuple）），它将用作新创建的张量的相应元素的取值。张量的类型由list或者tuple元素的类型决定

举例说明：

>>> n = np.zeros(shape=(3, 2)) 
>>> n 
array([[ 0., 0.], 
       [ 0., 0.], 
       [ 0., 0.]]) 
>>> b = torch.tensor(n) 
>>> b 
tensor([[ 0., 0.], 
        [ 0., 0.],
        [ 0., 0.]], dtype=torch.float64) 

• 在张量的类型这篇博文里面，我们介绍了不通的张量类型所使用的类，例如32位的浮点型tensor使用torch.FloatTensor类，64位的双进度使用torch.DoubleTensor类。我们可以通过不同的类型的Tensor的类来构造不通的Tensor对象。
  举例说明：

>>> torch.FloatTensor([[1,2,3],[3,2,1]])
tensor([[ 1., 2., 3.],
        [ 3., 2., 1.]]) 

• torch.tensor 默认的数据类型是32位浮点型，但是可以通过torch.set_default_tensor_type(t)设置默认的tensor类型
  举例说明：

>>> torch.tensor([1.2, 3]).dtype    # initial default for floating point is torch.float32
torch.float32
>>> torch.set_default_tensor_type(torch.DoubleTensor)
>>> torch.tensor([1.2, 3]).dtype    # a new floating point tensor
torch.float64

通过将 NumPy 数组或 Python 列表转换为张量

在这种情况下，类型将从NumPy数组或者Python列表的类型中获取。
举例说明，我们使用 NumPy 创建了相同的元素取值为0的张量：