- +在此添加单个AI新笔记
基本概念 - 张量 - 张量的创建方法
PyTorch 基本概念 - 张量 - 张量的创建方法
在深度学习领域，PyTorch 是一个广受欢迎的开源机器学习库，而张量（Tensor）则是 PyTorch 中最核心的数据结构，类似于 NumPy 中的多维数组。张量可以在 GPU 上进行加速计算，这对于处理大规模数据和复杂模型至关重要。本文将详细介绍在 PyTorch 中创建张量的各种方法。
一、直接从数据创建张量
我们可以使用 torch.tensor() 函数直接从 Python 列表或 NumPy 数组创建张量。
示例代码
import torchimport numpy as np# 从 Python 列表创建张量data = [[1, 2], [3, 4]]x_data = torch.tensor(data)print("从 Python 列表创建的张量：")print(x_data)# 从 NumPy 数组创建张量np_array = np.array(data)x_np = torch.tensor(np_array)print("\n从 NumPy 数组创建的张量：")print(x_np)
代码解释
torch.tensor(data)：将 Python 列表data转换为 PyTorch 张量。torch.tensor(np_array)：将 NumPy 数组np_array转换为 PyTorch 张量。
二、从已有张量创建新张量
可以使用以下几种方法从已有的张量创建新的张量，新张量将继承原张量的属性（如形状、数据类型等），但可以通过指定参数进行修改。
1. torch.zeros_like()
创建一个与原张量形状相同，但所有元素都为 0 的新张量。
x_zeros = torch.zeros_like(x_data)print("\n使用 zeros_like 创建的张量：")print(x_zeros)
2. torch.ones_like()
创建一个与原张量形状相同，但所有元素都为 1 的新张量。
x_ones = torch.ones_like(x_data)print("\n使用 ones_like 创建的张量：")print(x_ones)
3. torch.rand_like()
创建一个与原张量形状相同，元素值在 [0, 1) 之间随机分布的新张量。
x_rand = torch.rand_like(x_data, dtype=torch.float)print("\n使用 rand_like 创建的张量：")print(x_rand)
三、使用指定形状创建张量
可以使用 torch.zeros()、torch.ones()、torch.rand() 等函数根据指定的形状创建张量。
1. torch.zeros()
创建一个指定形状，所有元素都为 0 的张量。
shape = (2, 3)zeros_tensor = torch.zeros(shape)print("\n使用 zeros 创建的张量：")print(zeros_tensor)
2. torch.ones()
创建一个指定形状，所有元素都为 1 的张量。
ones_tensor = torch.ones(shape)print("\n使用 ones 创建的张量：")print(ones_tensor)
3. torch.rand()
创建一个指定形状，元素值在 [0, 1) 之间随机分布的张量。
rand_tensor = torch.rand(shape)print("\n使用 rand 创建的张量：")print(rand_tensor)
四、总结
以下是创建张量的方法总结表格：
| 方法 | 描述 | 示例 |
|---|---|---|
torch.tensor() |
直接从 Python 列表或 NumPy 数组创建张量 | torch.tensor([[1, 2], [3, 4]]) |
torch.zeros_like() |
创建与原张量形状相同，元素全为 0 的张量 | torch.zeros_like(x_data) |
torch.ones_like() |
创建与原张量形状相同，元素全为 1 的张量 | torch.ones_like(x_data) |
torch.rand_like() |
创建与原张量形状相同，元素随机分布的张量 | torch.rand_like(x_data) |
torch.zeros() |
创建指定形状，元素全为 0 的张量 | torch.zeros((2, 3)) |
torch.ones() |
创建指定形状，元素全为 1 的张量 | torch.ones((2, 3)) |
torch.rand() |
创建指定形状，元素随机分布的张量 | torch.rand((2, 3)) |
通过以上介绍的方法，我们可以根据不同的需求在 PyTorch 中灵活地创建张量。这些方法是使用 PyTorch 进行深度学习任务的基础，熟练掌握它们将有助于我们更好地构建和训练模型。