@
torch.tensor()
直接使用数据构造张量
a = torch.tensor(5.5) # 构造dim=0的标量
a = torch.tensor([5.5]) # 构造dim=1 的向量
b = torch.tensor([5.5, 3])
torch.FloatTensor()
# 构造2x3的未初始化的张量
torch.FloatTensor(2,3)
# 使用数据 2和3构造dim=1的张量,等价于torch.tensor([2,3])
torch.FloatTensor([2,3])
torch.empty()
构造一个不经过初始化的张量
#构造一个不初始化的5x3张量。
x = torch.empty(5, 3)
torch.zeros()
构造一个全为0的张量
x = torch.zeros(5, 3, dtype=torch.long)
torch.ones()
构造一个全为1的张量
x = torch.ones(2,3)
torch.eye()
构造对角线元素为1,其它全为0的tensor
x = torch.eye(2,3)
torch.randn()
构造一个随机的正态分布N(0,1)的张量
x = torch.randn(5, 3)
torch.rand()
构造一个随机的[0,1]均匀分布的矩阵
x = torch.rand(5, 3)
torch.randint()
#构造一个[1,10)之间随机采样的整数,尺寸是2*3
x = torch.randint(1,10,[2,3])
torch.full()
# 构造一个尺寸是2*3,全为0.5的tensor
x = torch.full([2,3],0.5)
torch.normal()
构造指定均值和方差的tensor
torch.arange()
# 构造一个[0,10),差为2的等差数列,省略2默认为1
x = torch.arange(0,10,2)
torch.linspace()
# 构造[0,10],有4个数的等差数列
x = torch.linspace(0,10,steps=4)
torch.randperm()
构造0~9的随机顺序,不重复的索引,相当于random.shuffle
torch.from_numpy()
将numpy数据转化成torch张量
a = np.ones([2,3])
x = torch.from_numpy(a)
x.item()
将一个tensor元素,转变成普通的数
x = torch.eye(2,3)
print(x[1,1].item())
isinstance数据类型检验
返回是否是同一数据类型
注意CPU数据和GPU数据是不同的数据类型
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:pyTorch——(1)基本数据类型 - Python技术站