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 torch
import 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

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。