Pytorch深度学习实战3-2：什么是张量？Tensor的创建与索引

1 什么是张量？

张量(Tensor)是多维数组结构，在人工智能范畴应用广泛，比方输入彩色图片便是3维张量——RGB三维且每维都是二维平面像素矩阵。
下面这张表直观地总结了张量的情势，这张表可以解决大部门的张量明白标题
维数图例名称0标量1向量2矩阵3三阶张量                                                  N                                          N                           N                                                  N                                          N                           N阶张量 2 Pytorch数据类型与转化

数据类型CPU TensorGPU Tensor32位浮点torch.FloatTensortorch.cuda.FloatTensor64位浮点torch.DoubleTensortorch.cuda.DoubleTensor16位半精度浮点N/Atorch.cuda.HalfTensor8位无符号整型torch.ByteTensortorch.cuda.ByteTensor8位有符号整型torch.CharTensortorch.cuda.CharTensor16位有符号整型torch.ShortTensortorch.cuda.ShortTensor32位有符号整型torch.IntTensortorch.cuda.IntTensor64位有符号整型torch.LongTensortorch.cuda.LongTensor Pytorch中Tensor数据类型的转换可以利用

• 显式的type(new_type)
  
• 隐式的type_as(var)
  

举比方下：

1. a = torch.Tensor(2, 2)
2. b = a.type(torch.DoubleTensor)
3. c = a.type_as(b)
5. >> a: tensor([[0.0000e+00, 0.0000e+00],
6.               [8.4078e-45, 0.0000e+00]])
7. >> b: tensor([[0.0000e+00, 0.0000e+00],
8.               [8.4078e-45, 0.0000e+00]], dtype=torch.float64)
9. >> c: tensor([[0.0000e+00, 0.0000e+00],
10.               [8.4078e-45, 0.0000e+00]], dtype=torch.float64)

复制代码

3 张量Tensor的创建

张量Tensor重要的创建方法如下所示。
3.1 类型创建

创建方法

• torch.Tensor()
  
• torch.DoubleTensor()
  
• …
  

实例

1. b = torch.cuda.DoubleTensor(2,2)
3. >> b: tensor([[0., 0.],
4.          [0., 0.]], device='cuda:0', dtype=torch.float64)

复制代码

3.2 序列转换

创建方法

• torch.Tensor(list)
  
• torch.Tensor(narray)
  

实例

1. a = torch.DoubleTensor([[1, 2],[3, 4]])
3. >> a: tensor([[1., 2.],
4.         [3., 4.]], dtype=torch.float64)

复制代码

3.3 0/1张量

创建方法

• torch.zeros()
  
• torch.ones()
  

实例

1. a = torch.ones(2,2)
2. >> a: tensor([[1., 1.],
3.         [1., 1.]])

复制代码

3.4 对角张量

创建方法

• torch.eye()
  

实例

1. a = torch.eye(2,2)
2. >> a: tensor([[1., 0.],
3.         [0., 1.]])

复制代码

3.5 正态张量

创建方法

• torch.randn()
  

实例

1. a = torch.randn(2,2)
2. >> a: tensor([[-0.0451, -0.1602],
3.             [-0.1116,  0.8266]])

复制代码

3.6 随机向量

创建方法

• torch.randperm(n)：将0~n-1的整数随机分列成向量
  

实例

1. a = torch.randperm(3)
2. >> a: tensor([2, 0, 1])

复制代码

3.7 线性张量

创建方法

• torch.arrange(s,e,step)：天生从s到e隔断step的向量
  
• torch.linspace(s,e,num)：天生从s到e共num的匀称向量
  

实例

1. a = torch.arange(1,8,3)
2. >> tensor([1, 4, 7])
4. b = torch.linspace(1,8,3)
5. >> tensor([1.0000, 4.5000, 8.0000])

复制代码

4 张量Tensor的索引

对于一个给定Tensor，可通过Tensor的shape属性或size()方法检察其维度，通过numel()方法检察元素总数

1. a = torch.eye(3,3)
2. print("shape维度", a.shape)
3. print("size维度", a.size())
4. print("numel元素个数", a.numel())
6. >> shape维度 torch.Size([3, 3])
7. >> size维度 torch.Size([3, 3])
8. >> numel元素个数 9

复制代码

Tensor维度按从左到右次序分配dim索引号如下，新增维度的dim索引号总为0

具体的索引方式如下，设a=torch.Tensor([[0,1],[2,3]]))
4.1 下标索引

索引方法

• tensor[num]
  

实例

1. a[1]
2. >> tensor([2., 3.])
4. a[0,1]
5. >> tensor(1.)

复制代码

4.2 条件索引

索引方法

• tensor>0：符合条件为True
  
• tensor[tensor>0]：取出符合条件的元素
  
• torch.nonzero(tensor)：取出非零元素坐标
  

实例

1. a>0
2. >> tensor([[False,  True],
3.         [ True,  True]])
5. a[a>0]
6. >> tensor([1., 2., 3.])
8. torch.nonzero(a)
9. >> tensor([[0, 1],
10.         [1, 0],
11.         [1, 1]])

复制代码

4.3 附加控制索引

索引方法

• torch.where(condition,x,y)：两个同型张量x、y，符合条件输出x相应位置元素，否则输出y
  
• tensor.clamp(min,max)：限定元素极值
  

实例

1. torch.where(a > 1, torch.full_like(a, 1), a)
2. >> tensor([[0., 1.],
3.         [1., 1.]])
5. a.clamp(1,2)
6. >> tensor([[1., 1.],
7.         [2., 2.]])

复制代码

---