从零开始深度学习Pytorch笔记(2)——张量的创建(上)

在该系列的上一篇文章中，我们完整实现了Pytorch的cpu和gpu版本的安装，如果你还没有安装Pytorch，戳这里：从零开始深度学习Pytorch笔记（1）——安装Pytorch

本文我们正式开始学习Pytorch，说起Pytorch，我们首先要聊到他的基本数据类型——张量（Tensor），就像我们聊到Numpy一定是先学习他的数据类型ndarray一样。

那张量到底是什么呢？

张量类似于Numpy中的ndarray，我们都知道深度学习的基础是神经网络结构，而在Pytorch中，张量是构建神经网络的基础。

比较重要的一点是张量可以在GPU上进行计算。

所以从本质上来说，PyTorch 是一个处理张量的库。一个张量是一个数字、向量、矩阵或任何 n 维数组。

下图分别展示了1维张量，2维张量和3维张量：

接下来我们看看如何创建张量。

我们导入pytorch和numpy

import torch
import numpy as np

我们可以看看张量的相关参数：

torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)

其中：

data: 数据，可以是list，numpy的ndarray

dtype: 数据类型，默认与data的类型一致

device: 所在设备，gpu/cpu

requires_grad: 是否需要梯度，因为神经网络结构经常会要求梯度

pin_memory: 是否存于锁页内存

使用Numpy创建张量

通过np创建ndarray，然后转化为张量，数据类型默认与data一致，这里是创建了一个3*3的全1张量：

arr = np.ones((3,3))
print("数据类型为：",arr.dtype)
t = torch.tensor(arr)
print(t)

如果你已经搭建了GPU环境，可以通过如下代码将张量创建在GPU上（创建需要几秒的等待时间）：

arr = np.ones((3,3))
print("数据类型为：",arr.dtype)
t = torch.tensor(arr,device='cuda')
print(t)

还有一种通过Numpy创建张量的方法，是使用torch.from_numpy(ndarray)。

torch.from_numpy(ndarray)

我们可以看到，它只需要接受一个ndarray即可。

arr = np.array([[1,2,3],[4,5,6]])
t = torch.from_numpy(arr)
print(arr)
print(t)

但是要注意的一点是：从torch.from_numpy创建的tensor和ndarray共享内存，当修改其中一个的数据，另外一个也会被修改。

例如我们修改array的内容：

arr = np.array([[1,2,3],[4,5,6]])
t = torch.from_numpy(arr)

#修改array内容
arr[0,0] = 999

print(arr)
print(t)

或是我们修改张量的内容：

arr = np.array([[1,2,3],[4,5,6]])
t = torch.from_numpy(arr)

#修改tensor内容
t[0,0] = -888

print(arr)
print(t)

创建全0张量

我们可以通过torch.zeros()来创建全0张量：

zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

其中：

size：为张量的形状

out：输出的张量

dtype: 数据类型

layout：内存中的布局形式，有strided，sparse_coo等

device：所在设备，gpu/cpu

requires_grad:是否需要梯度

t1 = torch.tensor([1,2,3])#创建一个t1张量，赋一个初始值
t = torch.zeros((2,3),out=t1)#将创建的t张量输出到t1
print(t,'\n',t1)
print(id(t),id(t1),id(t)==id(t1))

torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False)

input = torch.empty(3, 5)
t = torch.zeros_like(input)
print(t)

创建全1张量

全1张量的创建和全0张量的创建方式基本一致，使用如下方式创建：

torch.ones()

torch.ones_like()

根据数值创建张量

torch.full

torch.full(size, fill_value, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

其中的新出现参数：

fill_value: 填充的值

例如创建一个2*2的元素都是8的张量：

t = torch.full((2,2),8)
print(t)

torch.full_like()

torch.full_like(input, fill_value, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

input = torch.empty(3, 5)
t = torch.full_like(input,8)
print(t)

上面是根据input的形状创建了一个元素都为8的张量。

创建等差的1维张量

可以通过torch.arange()创建等差的一维张量：

arange(start=0, end, step=1, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

其中：

start:数列的起始值

end:数列的结束值，取不到，只能取到 end-1

step:公差（步长），默认为 1

t = torch.arange(1,9,2)
print(t)

创建等间距（均分）的1维张量

torch.linspace()

linspace(start, end, steps=100, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

其中：

steps:创建出的一维张量的元素个数

end：结束位置可以取到

t = torch.linspace(1,9,5)
print(t)

t = torch.linspace(1,9,7)
print(t)

创建对数均分的1维张量

torch.logspace()

logspace(start, end, steps=100, base=10.0, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

参数：

base: 对数函数的底，默认为10

t = torch.logspace(start=-5, end=10,steps=4)
print(t)

创建单位对角矩阵（2维张量）

torch.eye()

torch.eye(n, m=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

参数：

m:矩阵行数

n:矩阵列数

t = torch.eye(4)
print(t)

默认为方阵。

这些张量创建的方式你记住了么？