?
目录
从 numpy中创建? ? ? ? import from numpy
从list中创建 ???????? import from list
设置默认类型????????set default type
切取某个维度数据? ? ? ? select by specific index
创建张量
从 numpy中创建? ? ? ? import from numpy
原来的数据类型在创建后基本保持一一对应
a=np.array([2,3.3])
print(torch.from_numpy(a)) #从numpy导入的float是double类型
b=np.ones([2,3])
print(torch.from_numpy(b))
从list中创建 ???????? import from list
? ? ? ? 在数据量小的情况下可以使用
a=torch.tensor([2,3.4])
print(a)
b=torch.tensor([[2,3.4],[1,2.3]]) #使用列表创建2维张量
print(b)
生成未初始化的数据
几种方法
? ? ? ? torch.empty()? ? ? ? 顾名思义，给出shape就能生成随机数据
? ? ? ? torch.Tensor()? ? ? ? 给出shape 就能生成对应维度随机数据
? ? ? ? torch.IntTensor()? ? ? ? 生成对应维度整型随机数据
? ? ? ? torch.FloatTensor()? ? ? ? 生成对应维度浮点型随机数据
a=torch.empty(2,3)
print(a)
b1=torch.Tensor(2,3)
print(b1)
b2=torch.Tensor(2,3,3)
print(b2)
c=torch.IntTensor(2,3)
print(c)
d=torch.FloatTensor(2,3)
print(d)
生成初始化了的数据
随机初始化
? ? ? ? rand：从0~1之间随机取值，使数据均匀的分布在0和1之间，不包括1
? ? ? ? rand_like：给出一个tensor，他会把shape送进rand（）操作
? ? ? ? randint（min，max，[ ])：均匀采样 [min~max) 之间的数，第三个参数是它的shape
正态分布类型
????????randn（），输入shape即可输出均值为0，方差为1的数?
a=torch.rand(3,3)
print(a)
b=torch.rand_like(a)
print(b)
a=torch.randint(1,9,[3,2])
print(a)
a=torch.randn(3,3)
print(a)
设置默认类型????????set default type
?使用torch.tensor()生成的数据类型默认为FloatTensor,若要改变默认，可用下面方法
torch.set_default_tensor_type(torch.DoubleTensor) #输入类型a=torch.tensor ([1.2,3])
print(a.type()) #改变前
torch.set_default_tensor_type(torch.DoubleTensor)
b=torch.tensor ([1.2,3])
print(b.type()) #改变后
常用api
full 方法应用
torch.full（[ ],5）:表示全部用5填充数据，[ ] 表示维度
a=torch.full([2,3],5) #将2维数据都变为5
print(a)
b=torch.full([],5) #什么都不写表示标量，0维
print(b)
c=torch.full([2],5) #里面写一个数字表示是一维的，size为本身
print(c)
arange 方法应用
arrange（起始，结束，步长）? ? ? ? 生成等差数列
? ? ? ? 步长默认为1，起始默认为0，不包含结束
a = torch.arange(0,14)
print(a)
b = torch.arange(4,14,2)
print(b)
linspace 和 logspace
linspace(1,4,steps=4 )? ? ? ? ? 表示从1到4 均匀分为4块
logspace（1,4，steps=4)? ? ? ? ? ? ? ?表示先均匀分为 4 块得到相应数值，在对应成为 4 的幂返回
a = torch.linspace(0,10,steps=4) #steps表示均匀分为几块
print(a)
b = torch.linspace(0,10,steps=11)
print(b)
c = torch.logspace(0,9,10) #0~-9按一具体数值均分为10份，返回10的幂，幂为分割后的具体数值
print(c) #这里分割数值为1，返回10的0次到9次幂
d = torch.logspace(0,-9,10) #0~-9按一具体数值均分为10份，返回10的幂，幂为分割后的具体数值
print(d)
ones / zeros / eye 的使用
? ? ? ? torch.ones( )? ? ? ? 给出shape全部赋值为1
? ? ? ? torch.zeros( )? ? ? ? 给出shape全部赋值为0
? ? ? ? ? ? ? ? ?以上两种可以使用_like()方法传入一个tensor使用
? ? ? ? torch.eye()? ? ? ? 给出shape或维度生成单位矩阵（对角矩阵）
a = torch.ones(2,2) #全1
print(a)
b = torch.zeros(2,2) #全0
print(b)
c = torch.eye(2,3) #对角
print(c)
d = torch.eye(2) #对角
print(d)
n = torch.ones_like(b) #将b全1
print(n)? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
?randperm函数
torch.randperm(n)? ? ? ? ? ? ? ? 把 [ 0~n）这些数随机打乱输出
a = torch.randperm(2)
print(a)
b=torch.randperm(2)
print(b)
索引与切片
与Python中的差不多
索引
a = torch.rand(4,3,28,28)
print(a[0].shape) #表示1,2,3的shape
print(a[0,0].shape) #表示2,3维
print(a[0,0,2,3]) #表示0维，是标量
切片
切片就是要遵循????????起始：结束：步长? ? ? ? 原则任意切，没什么不同，就是可以多切几个
起始，结束型
a = torch.rand(4,3,28,28)
print(a[:2].shape) #表示第0维有2个元素
print(a[:2,:1,:,:].shape) #第0维2个，第一维1个
print(a[:2,1:,:,:].shape) #第0维2个，第1维第一个到最后一个
print(a[:2,-1:,:,:].shape) #第一维最后一个到最后一个
带步长
a = torch.rand(4,3,28,28)
print(a[:,:,0:28:2,0:28:2].shape) #步长为2
print(a[:,:,::2,::2].shape) #步长为2
使用? ...? ? 优雅~
a = torch.rand(4,3,28,28)
m = a[...].shape #全部都有
n = a[0,...].shape #第0维第0个
o = a[:,1,...].shape #第一维第1个
p = a[...,:2].shape #最后一维前俩个
切取某个维度数据? ? ? ? select by specific index
a = torch.rand(4,3,28,28)
b = a.index_select(0,torch.arange(3)).shape #取第0维的前三个
print(b)
c = a.index_select(1,torch.arange(1,2)).shape #取第一维的第一个
print(c)
d = a.index_select(2,torch.arange(5)).shape #取第二维的前5个
print(d)
select by mask
torch.masked_select(x，mask)? ? ? ? ? ? ? ? ?相当于对X进行掩摸操作
????????该函数主要用来选取x数据中的mask性质的数据，如mask=x.ge(0.5)表示选出大于0.5的所有数据，并且输出时将其转换为了1维的打平tensor数据
x = torch.randn(3,4) #生成一个正态分布的tensor
mask = x.ge(0.5) #条件：大于0.5的 1其余0
print(mask)
a = torch.masked_select(x,mask) #判断X中满足条件的
print(a)
print(a.shape)
select by flatten index
?torch.take(a, torch.tensor([0,2,5])? ? ? ? 表示打平后取a中索引为 0,2,5 的数据
先将张量数据打平为一个1维的张量数据（依次排序下来成为一个数据列），然后按照索引数据
a = torch.tensor([[4,3,5],
[6,7,8]])
b = torch.take(a,torch.tensor([0,2,5]))
print(b)