张量的创建

PyTorch 是一个广泛使用的开源深度学习框架，由 Facebook 的 AI 研究团队开发，并以其灵活性和易于使用的特性而受到许多研究者和开发者的喜爱。它将数据封装成张量（Tensor）来进行运算。PyTorch 中的张量就是元素为同一种数据类型的多维矩阵。在 PyTorch 中，张量以 “类” 的形式封装起来，对张量的一些运算、处理的方法被封装在类中。

1. 安装 PyTorch

首先，确保你已经安装了 PyTorch。你可以通过 Python 的包管理器 pip 来安装它：

python">pip install torch torchvision

2. 基本创建方式

torch.IntTensor、torch.FloatTensor、torch.DoubleTensor 创建指定类型的张量

2.1 torch.tensor 根据指定数据创建张量

torch.tensor 是直接从数据（如列表、元组等）创建张量的方法。它会根据输入的数据推断数据类型（dtype）。

python">import torch
# 从列表创建张量
data = [1, 2, 3, 4]
x = torch.tensor(data)
print(x)
print(x.dtype)  # 默认推断为 torch.int64

程序输出：
tensor([1, 2, 3, 4])
torch.int64

2.2. torch.Tensor 根据形状创建张量, 其也可用来创建指定数据的张量

torch.Tensor 是一个类，可以用来创建未初始化的张量。它接受形状（shape）作为参数，返回一个未初始化的张量。

python"># 创建一个 2x3 的未初始化张量
x = torch.Tensor(2, 3)
print(x)

输出：

tensor([[1.4013e-45, 0.0000e+00, 1.4013e-45],[0.0000e+00, 1.4013e-45, 0.0000e+00]])

注意：torch.Tensor 也可以用来创建指定数据的张量，但不推荐这种方式，因为它的行为不如 torch.tensor 直观。

python"># 不推荐：从列表创建张量
data = [1, 2, 3, 4]
x = torch.Tensor(data)
print(x)

输出：

python">tensor([1., 2., 3., 4.])

2.3. 指定类型的张量创建

PyTorch 提供了多种数据类型（dtype），可以通过以下方式创建指定类型的张量：

2.3.1. torch.IntTensor：创建整数类型张量

python
复制

python"># 创建一个 2x2 的整数类型张量
x = torch.IntTensor([[1, 2], [3, 4]])
print(x)
print(x.dtype)  # torch.int32

输出：

python">tensor([[1, 2],[3, 4]], dtype=torch.int32)
torch.int32

2.3.2. torch.FloatTensor：创建浮点类型张量

python"># 创建一个 2x2 的浮点类型张量
x = torch.FloatTensor([[1, 2], [3, 4]])
print(x)
print(x.dtype)  # torch.float32

输出：

python">ensor([[1., 2.],[3., 4.]])
torch.float32

2.3.3. torch.DoubleTensor：创建双精度浮点类型张量

python"># 创建一个 2x2 的双精度浮点类型张量
x = torch.DoubleTensor([[1, 2], [3, 4]])
print(x)
print(x.dtype)  # torch.float64

输出：

python">tensor([[1., 2.],[3., 4.]], dtype=torch.float64)
torch.float64

2.4. 指定数据类型的其他方式

除了使用 torch.IntTensor、torch.FloatTensor 等，还可以通过 dtype 参数直接指定数据类型。

python"># 创建一个 2x2 的浮点类型张量
x = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32)
print(x)
print(x.dtype)  # torch.float32

输出：

python">tensor([[1., 2.],[3., 4.]])
torch.float32

2.5. 总结

方法	用途
torch.tensor(data)	根据数据创建张量，自动推断数据类型。
torch.Tensor(shape)	根据形状创建未初始化的张量。
torch.IntTensor(data)	创建整数类型（torch.int32）的张量。
torch.FloatTensor(data)	创建浮点类型（torch.float32）的张量。
torch.DoubleTensor(data)	创建双精度浮点类型（torch.float64）的张量。
torch.tensor(data, dtype=…)	创建指定数据类型的张量（推荐，更直观且灵活）。

3. 创建线性和随机张量

3.1 创建线性张量

3.1.1. torch.arange：创建等间隔的整数张量

torch.arange 用于创建一个从起始值到结束值（不包括结束值）的等间隔整数张量。

python">import torch
# 创建一个从 0 到 9 的张量
x = torch.arange(10)
print(x)

输出：

python">tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

可以指定起始值、结束值和步长：

python"># 创建一个从 2 到 8，步长为 2 的张量
x = torch.arange(2, 10, 2)
print(x)

输出：

python">tensor([2, 4, 6, 8])

3.1.2. torch.linspace：创建等间隔的浮点数张量

torch.linspace 用于创建一个从起始值到结束值的等间隔浮点数张量，可以指定元素的数量。

python"># 创建一个从 0 到 1 的 5 个等间隔元素的张量
x = torch.linspace(0, 1, 5)
print(x)

输出：

python">tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000])

3.2. 随机种子设置

为了保证随机实验的可重复性，可以设置随机种子。

3.2.1 torch.random.manual_seed：设置随机种子

python"># 设置随机种子
torch.random.manual_seed(42)
# 创建一个随机张量
x = torch.randn(2, 2)
print(x)

输出：

python">tensor([[ 0.3367,  0.1288],[ 0.2345,  0.2303]])

注：每次运行代码时，生成的随机张量都会相同。

3.2.2. torch.random.init_seed：初始化随机种子

torch.random.init_seed 用于初始化随机种子，通常用于确保随机性。

python"># 初始化随机种子
torch.random.init_seed()
# 创建一个随机张量
x = torch.randn(2, 2)
print(x)

3.3. 创建随机张量

3.3.1. torch.randn：创建标准正态分布的随机张量

torch.randn 用于创建服从标准正态分布（均值为 0，方差为 1）的随机张量。

python"># 创建一个 2x2 的标准正态分布随机张量
x = torch.randn(2, 2)
print(x)

输出：

python">tensor([[-0.4032,  0.8380],[-1.3886, -0.2935]])

3.3.2. torch.rand：创建均匀分布的随机张量

torch.rand 用于创建在 [0, 1) 区间内均匀分布的随机张量。

python"># 创建一个 2x2 的均匀分布随机张量
x = torch.rand(2, 2)
print(x)

输出：

python">tensor([[0.1234, 0.5678],[0.9101, 0.2345]])

3.3.3. torch.randint：创建整数随机张量

torch.randint 用于创建指定范围内的整数随机张量。

python"># 创建一个 2x2 的随机整数张量，范围在 [0, 10)
x = torch.randint(0, 10, (2, 2))
print(x)

输出：

python">tensor([[3, 7],[2, 5]])

3.4. 总结

方法	用途
torch.arange(start, end, step)	创建等间隔的整数张量。
torch.linspace(start, end, steps)	创建等间隔的浮点数张量。
torch.random.manual_seed(seed)	设置随机种子，确保实验可重复。
torch.random.init_seed()	初始化随机种子。
torch.randn(shape)	创建标准正态分布的随机张量。
torch.rand(shape)	创建 [0, 1) 区间内均匀分布的随机张量。
torch.randint(low, high, shape)	创建指定范围内的整数随机张量。

4. 创建全 0\1 张量

4.1. 创建全1 张量

4.1.1. torch.ones：创建全 1 张量

torch.ones 用于创建指定形状的全 1 张量。

python">import torch# 创建一个 2x3 的全 1 张量
x = torch.ones(2, 3)
print(x)

输出：

python">tensor([[1., 1., 1.],[1., 1., 1.]])

4.1.2. torch.ones_like：创建与输入张量形状相同的全 1 张量

torch.ones_like 用于创建一个与输入张量形状相同的全 1 张量。

python"># 创建一个与 x 形状相同的全 1 张量
y = torch.ones_like(x)
print(y)

输出：

python">tensor([[1., 1., 1.],[1., 1., 1.]])

4.2. 创建全 0 张量

4.2.1. torch.zeros：创建全 0 张量

torch.zeros 用于创建指定形状的全 0 张量。

python"># 创建一个 2x3 的全 0 张量
x = torch.zeros(2, 3)
print(x)

输出：

python">tensor([[0., 0., 0.],[0., 0., 0.]])

4.2.2. torch.zeros_like：创建与输入张量形状相同的全 0 张量

torch.zeros_like 用于创建一个与输入张量形状相同的全 0 张量。

python"># 创建一个与 x 形状相同的全 0 张量
y = torch.zeros_like(x)
print(y)

输出：

python">tensor([[0., 0., 0.],[0., 0., 0.]])

4.3. 创建全为指定值的张量

4.3.1. torch.full：创建全为指定值的张量

torch.full 用于创建指定形状且所有元素为指定值的张量。

python"># 创建一个 2x3 的全为 5 的张量
x = torch.full((2, 3), 5)
print(x)

输出：

python">tensor([[5, 5, 5],[5, 5, 5]])

4.3.2. torch.full_like：创建与输入张量形状相同的全为指定值的张量

torch.full_like 用于创建一个与输入张量形状相同且所有元素为指定值的张量。

python"># 创建一个与 x 形状相同的全为 10 的张量
y = torch.full_like(x, 10)
print(y)

输出：

python">tensor([[10, 10, 10],[10, 10, 10]])

4.4. 总结

方法	用途
torch.ones(shape)	创建指定形状的全 1 张量。
torch.ones_like(input)	创建与输入张量形状相同的全 1 张量。
torch.zeros(shape)	创建指定形状的全 0 张量。
torch.zeros_like(input)	创建与输入张量形状相同的全 0 张量。
torch.full(shape, value)	创建指定形状且所有元素为指定值的张量。
torch.full_like(input, value)	创建与输入张量形状相同且所有元素为指定值的张量。

5. 张量元素类型转换

5.1. 使用 tensor.type() 方法

tensor.type() 方法可以将张量转换为指定的类型。

python">import torch# 创建一个浮点类型的张量
x = torch.tensor([1.0, 2.0, 3.0])
print(x.dtype)  # 默认是 torch.float32# 转换为双精度浮点类型 (torch.float64)
x_double = x.type(torch.DoubleTensor)
print(x_double)
print(x_double.dtype)

输出：

python">torch.float32
tensor([1., 2., 3.], dtype=torch.float64)
torch.float64

5.2. 使用 tensor.double() 方法

tensor.double() 是 tensor.type(torch.DoubleTensor)
的简写形式，用于将张量转换为双精度浮点类型（torch.float64）。

python"># 转换为双精度浮点类型
x_double = x.double()
print(x_double)
print(x_double.dtype)

输出：

python">tensor([1., 2., 3.], dtype=torch.float64)
torch.float64

5.3. 其他类型转换方法

PyTorch 提供了多种类型转换方法，类似于 tensor.double()，可以直接调用：

方法	转换为的类型
tensor.float()	torch.float32
tensor.double()	torch.float64
tensor.half()	torch.float16
tensor.int()	torch.int32
tensor.long()	torch.int64
tensor.short()	torch.int16
tensor.byte()	torch.uint8
tensor.bool()	torch.bool
示例：

python"># 创建一个浮点类型的张量
x = torch.tensor([1.0, 2.0, 3.0])# 转换为整型
x_int = x.int()
print(x_int)
print(x_int.dtype)# 转换为布尔型
x_bool = x.bool()
print(x_bool)
print(x_bool.dtype)

输出：

python">tensor([1, 2, 3], dtype=torch.int32)
torch.int32
tensor([True, True, True])
torch.bool

5.4. 使用 tensor.to() 方法

tensor.to() 是一个更通用的方法，可以用于设备（CPU/GPU）和类型的转换。

5.4.1. 转换数据类型

python"># 转换为双精度浮点类型
x_double = x.to(torch.float64)
print(x_double)
print(x_double.dtype)

输出：

python">tensor([1., 2., 3.], dtype=torch.float64)
torch.float64

5.4.2. 同时转换设备和数据类型

python"># 转换为 GPU 上的双精度浮点类型
if torch.cuda.is_available():x_gpu = x.to(device='cuda', dtype=torch.float64)print(x_gpu)print(x_gpu.dtype)

5.5. 总结

方法	用途
tensor.type(torch.DoubleTensor)	将张量转换为指定类型（如 torch.float64）。
tensor.double()	将张量转换为双精度浮点类型（torch.float64）。
tensor.float()	将张量转换为单精度浮点类型（torch.float32）。
tensor.int()	将张量转换为整型（torch.int32）。
tensor.to(dtype=…)	通用方法，支持设备转换和类型转换。