PyTorch 张量(笔记)

矫情吗；* 2024-04-01 13:10 69阅读 0赞

## 1. 张量简介 ##

在深度学习中，我们通常将数据以张量的形式进行表示。几何代数中定义的张量是基于向量和矩阵的推广，比如我们可以将标量视为零阶张量，矢量视为一阶张量，矩阵就是二阶张量。

<table style="width:680px;"> 
 <tbody> 
  <tr> 
   <td><strong>张量维度</strong></td> 
   <td><strong>代表含义</strong></td> 
  </tr> 
  <tr> 
   <td>0 阶张量</td> 
   <td>代表标量(数字)</td> 
  </tr> 
  <tr> 
   <td>1 阶张量</td> 
   <td>代表向量</td> 
  </tr> 
  <tr> 
   <td>2 阶张量</td> 
   <td>代表矩阵</td> 
  </tr> 
  <tr> 
   <td>3 阶张量</td> 
   <td>时间序列数据、股价、文本数据、单张彩色图片(<strong>RGB</strong>)</td> 
  </tr> 
 </tbody> 
</table>

张量是现代机器学习的基础，它的核心是一个数据容器。

比如，一个图像可以用三个字段表示:

(height, width, channel) = 3D

但是，在机器学习工作中，我们经常要处理不止一张图片或一篇文档------我们要处理一个集合。我们可能有 10000 张郁金香的图片，这意味着，我们将用到 4D 张量:

(batch_size, height, width, channel) = 4D

## 2. 常见构造 Tensor(张量) 的方法 ##

### 2.1 torch.Tensor(sizes) ###

基础构造函数，传入参数 sizes 为你要构造的张量的大小

import torch
    x = torch.Tensor(4, 3)
    print(x)

**output:** 大小为 4 行 3 列的 tensor

> tensor(\[\[0.0000e+00, 0.0000e+00, 0.0000e+00\],  
> \[0.0000e+00, 0.0000e+00, 0.0000e+00\],  
> \[2.7403e+31, 4.5894e-41, 0.0000e+00\],  
> \[4.5894e-41, 0.0000e+00, 0.0000e+00\]\])

### 2.2 torch.tensor(data) ###

传入参数为数据，该方法可以将传入的数据转换为张量类型，类似于 np.array()

x = torch.tensor(((3, 4), (5, 6)))
    y = torch.tensor([[5, 6], [7, 8]])
    print(x)
    print(y)

**output:** 大小为 2 行 2 列的 tensor

> tensor(\[\[3, 4\],  
> \[5, 6\]\])  
> tensor(\[\[5, 6\],  
> \[7, 8\]\])

### 2.3 torch.ones(size) ###

Returns a tensor filled with the scalar value 1, with the shape defined by the variable argument **size**.

返回大小为 size 的张量，且张量的元素全为 1.

x = torch.ones(3, 4)
    y = torch.ones(4, 3)
    print(x)
    print(y)

**output1:** 大小为 3 行 4 列且元素全为 1 的 tensor

**output2:** 大小为 4 行 3 列且元素全为 1 的 tensor

> tensor(\[\[1., 1., 1., 1.\],  
> \[1., 1., 1., 1.\],  
> \[1., 1., 1., 1.\]\])  
> tensor(\[\[1., 1., 1.\],  
> \[1., 1., 1.\],  
> \[1., 1., 1.\],  
> \[1., 1., 1.\]\])

### 2.4 torch.zeros(size) ###

Returns a tensor filled with the scalar value 0, with the shape defined by the variable argument **size**.

返回大小为 size 的张量，且张量的元素全为 0.

x = torch.zeros(3, 4)
    y = torch.zeros(2, 4, 3)
    print(x)
    print(y)

**output1:** 大小为 3 行 4 列且元素全为 0 的 2-D tensor

**output2:** 大小为 2 个 4 行 3 列且元素全为 0 的 3-D tensor

> tensor(\[\[0., 0., 0., 0.\],  
> \[0., 0., 0., 0.\],  
> \[0., 0., 0., 0.\]\])
> 
> tensor(\[\[\[0., 0., 0.\],  
> \[0., 0., 0.\],  
> \[0., 0., 0.\],  
> \[0., 0., 0.\]\],
> 
> \[\[0., 0., 0.\],  
> \[0., 0., 0.\],  
> \[0., 0., 0.\],  
> \[0., 0., 0.\]\]\])

### 2.5 torch.eye(size) ###

Returns a 2-D tensor with ones on the diagonal and zeros elsewhere.

返回对角线位置元素为 1，其余元素为 0 的 2-D tensor

x = torch.eye(2, 2)
    print(x)

**output:** 大小为 2 行 2 列且对角线元素为 1 的 2-D tensor

> tensor(\[\[1., 0.\],  
> \[0., 1.\]\])

### 2.6 torch.arange(start, end, step) ###

Returns a 1-D tensor of size **\[(end - start)/step\]**向上取整 with values from the interval \[start, ebd) taken with common difference step beginning from start.

从 start 到 end(不包括 end)，步长为 step

x = torch.arange(0, 5, 2)
    print(x)

**output:** 大小为 3 的 1-D tensor

> tensor(\[0, 2, 4\])

### 2.7 torch.linspace(start, end, steps) ###

Creates a one-dimensional tensor of size steps whose values are evenly spaced from start to end, inclusive.

从 start 到 end, 均匀分成 steps 份

x = torch.linspace(0, 5, 3)
    print(x)

**output:** 大小为 3 的 1-D tensor

> tensor(\[0.0000, 2.5000, 5.0000\])

### 2.8 torch.rand(size) ###

Returns a tensor filled with random numbers from a uniform distribution on the interval \[0, 1).

返回大小为 size 的 tensor, 且元素是从 \[0, 1) 的均匀分布中随机抽样得到的

x = torch.rand(3, 4)
    print(x)

**output:** 大小为 3 行 4 列的 2-D tensor

> tensor(\[\[0.8534, 0.4159, 0.6908, 0.6090\],  
> \[0.9596, 0.6302, 0.2386, 0.0030\],  
> \[0.0385, 0.0453, 0.9093, 0.7404\]\])

### 2.9 torch.randn(size) ###

Returns a tensor filled with random numbers from a normal distribution with mean 0 and variance 1 (also called the standard normal distribution).

返回大小为 size 的 tensor, 且元素是从 N(0, 1) 的标准正态分布中抽样得到的

x = torch.randn(3, 4)
    print(x)

**output:** 大小为 3 行 4 列的 2-D tensor

> tensor(\[\[-0.5574, 0.2918, -0.1390, -0.4547\],  
> \[-0.2857, 1.3215, -0.8996, 0.9009\],  
> \[ 0.0821, 0.4812, -0.7390, 0.9282\]\])

### 2.10 torch.normal(mean, std, size) ###

Returns a tensor of random numbers drawn from separate normal distributions whose mean and standard deviation are given. The resulting tensor has size given by size.

返回大小为 size 的 tensor, 且元素是从 均值为 mean, 标准差为 std 的正态分布中抽样得到的

x = torch.normal(2, 3, size=(1, 4))
    print(x)

**output:** 大小为 1 行 4 列的 2-D tensor

> tensor(\[\[ 3.2998, -1.4687, -4.2944, 3.8635\]\])

### 2.11 torch.randperm(n) ###

Returns a random permutation of integers from 0 to n - 1.

返回 0 ~ n - 1 之间整数的随机排列

x = torch.randperm(4)
    print(x)

**output:** 大小为 4 的 1-D tensor

> tensor(\[3, 0, 1, 2\])

## 参考文献: ##

[深入浅出PyTorch — 深入浅出PyTorch][PyTorch _ _PyTorch]

[PyTorch documentation — PyTorch 1.13 documentation][PyTorch documentation _ PyTorch 1.13 documentation]

[PyTorch _ _PyTorch]: https://datawhalechina.github.io/thorough-pytorch
[PyTorch documentation _ PyTorch 1.13 documentation]: https://pytorch.org/docs/stable/index.html