@

pyTorch——(1)基本数据类型

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
pyTorch——(1)基本数据类型

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)

pyTorch——(1)基本数据类型

torch.randperm()

构造0~9的随机顺序,不重复的索引,相当于random.shuffle
pyTorch——(1)基本数据类型

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
pyTorch——(1)基本数据类型

注意CPU数据和GPU数据是不同的数据类型
pyTorch——(1)基本数据类型