在該系列的上一篇文章中，我們完整實現(xiàn)了Pytorch的cpu和gpu版本的安裝，如果你還沒有安裝Pytorch，戳這里：從零開始深度學習Pytorch筆記（1）——安裝Pytorch

本文我們正式開始學習Pytorch，說起Pytorch，我們首先要聊到他的基本數(shù)據(jù)類型——張量（Tensor），就像我們聊到Numpy一定是先學習他的數(shù)據(jù)類型ndarray一樣。

那張量到底是什么呢？

張量類似于Numpy中的ndarray，我們都知道深度學習的基礎(chǔ)是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，而在Pytorch中，張量是構(gòu)建神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)。

比較重要的一點是張量可以在GPU上進行計算。

所以從本質(zhì)上來說，PyTorch 是一個處理張量的庫。一個張量是一個數(shù)字、向量、矩陣或任何 n 維數(shù)組。

下圖分別展示了1維張量，2維張量和3維張量：

接下來我們看看如何創(chuàng)建張量。

我們導(dǎo)入pytorch和numpy

import?torch
import?numpy?as?np

我們可以看看張量的相關(guān)參數(shù)：

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

其中：

data: 數(shù)據(jù)，可以是list，numpy的ndarray

dtype: 數(shù)據(jù)類型，默認與data的類型一致

device: 所在設(shè)備，gpu/cpu

requires_grad: 是否需要梯度，因為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)常會要求梯度

pin_memory: 是否存于鎖頁內(nèi)存

使用Numpy創(chuàng)建張量

通過np創(chuàng)建ndarray，然后轉(zhuǎn)化為張量，數(shù)據(jù)類型默認與data一致，這里是創(chuàng)建了一個3*3的全1張量：

arr?=?np.ones((3,3))
print("數(shù)據(jù)類型為：",arr.dtype)
t?=?torch.tensor(arr)
print(t)

如果你已經(jīng)搭建了GPU環(huán)境，可以通過如下代碼將張量創(chuàng)建在GPU上（創(chuàng)建需要幾秒的等待時間）：

arr?=?np.ones((3,3))
print("數(shù)據(jù)類型為：",arr.dtype)
t?=?torch.tensor(arr,device='cuda')
print(t)

還有一種通過Numpy創(chuàng)建張量的方法，是使用torch.from_numpy(ndarray)。

torch.from_numpy(ndarray)

我們可以看到，它只需要接受一個ndarray即可。

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

但是要注意的一點是：從torch.from_numpy創(chuàng)建的tensor和ndarray共享內(nèi)存，當修改其中一個的數(shù)據(jù)，另外一個也會被修改。

例如我們修改array的內(nèi)容：

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

#修改array內(nèi)容
arr[0,0]?=?999

print(arr)
print(t)

或是我們修改張量的內(nèi)容：

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

#修改tensor內(nèi)容
t[0,0]?=?-888

print(arr)
print(t)

創(chuàng)建全0張量

我們可以通過torch.zeros()來創(chuàng)建全0張量：

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

其中：

size：為張量的形狀

out：輸出的張量

dtype: 數(shù)據(jù)類型

layout：內(nèi)存中的布局形式，有strided，sparse_coo等

device：所在設(shè)備，gpu/cpu

requires_grad:是否需要梯度

t1?=?torch.tensor([1,2,3])#創(chuàng)建一個t1張量，賦一個初始值
t?=?torch.zeros((2,3),out=t1)#將創(chuàng)建的t張量輸出到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)

創(chuàng)建全1張量

全1張量的創(chuàng)建和全0張量的創(chuàng)建方式基本一致，使用如下方式創(chuàng)建：

torch.ones()

torch.ones_like()

根據(jù)數(shù)值創(chuàng)建張量

torch.full

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

其中的新出現(xiàn)參數(shù)：

fill_value: 填充的值

例如創(chuàng)建一個2*2的元素都是8的張量：

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)

上面是根據(jù)input的形狀創(chuàng)建了一個元素都為8的張量。

創(chuàng)建等差的1維張量

可以通過torch.arange()創(chuàng)建等差的一維張量：

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

其中：

start:數(shù)列的起始值

end:數(shù)列的結(jié)束值，取不到，只能取到 end-1

step:公差（步長），默認為 1

t?=?torch.arange(1,9,2)
print(t)

創(chuàng)建等間距（均分）的1維張量

torch.linspace()

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

其中：

steps:創(chuàng)建出的一維張量的元素個數(shù)

end：結(jié)束位置可以取到

t?=?torch.linspace(1,9,5)
print(t)

t?=?torch.linspace(1,9,7)
print(t)

創(chuàng)建對數(shù)均分的1維張量

torch.logspace()

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

參數(shù)：

base: 對數(shù)函數(shù)的底，默認為10

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

創(chuàng)建單位對角矩陣（2維張量）

torch.eye()

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

參數(shù)：

m:矩陣行數(shù)

n:矩陣列數(shù)

t?=?torch.eye(4)
print(t)

默認為方陣。

這些張量創(chuàng)建的方式你記住了么？