PyTorch创建张量的多种方式（附带实例）

张量的工作是用数字的方式表示数据。例如，可以将图像表示为具有形状 [3, 224,224] 的张量，这意味着 [color_channels，height，width]，因为在图像中有 3 个颜色通道（red, green, blue），高度为 224 像素，宽度为 224 像素。

在张量语言（用于描述张量的语言）中，张量有 3 个维度，分别是颜色通道、高度和宽度。

PyTorch创建张量

首先创建的是标量。标量是一个单一的数，又称零维张量。

>>> # Scalar
>>> scalar = torch.tensor(7)
>>> scalar
tensor(7)

可以使用 ndim 属性来检查张量的维数，代码如下：

>>> scalar.ndim
0

怎么从张量中检索数字呢？可以使用 item() 方法，代码如下：

>>> # Get the Python number within a tensor (only works with one-element tensors)
>>> scalar.item()
7

向量是一维张量，可以包含许多数字。

可以用一个向量 [3,2] 来描述房子里的 [卧室、浴室]。也可以用 [3,2,2] 来描述房子里的 [卧室、浴室、停车场]。

向量在其所能表示的内容上是灵活的：

>>> # Vector
>>> vector = torch.tensor([7, 7])
>>> vector
tensor([7, 7])

你认为它会有多少个维度？

>>> # Check the number of dimensions of vector
>>> vector.ndim
1

可以通过外部方括号（[）的数量来判断 PyTorch 中张量的维数。

张量的另一个重要概念是它们的形状属性。形状告诉它们内部的元素是如何排列的。让我们看看向量的形状，代码如下：

>>> # Check shape of vector
>>> vector.shape
torch.Size([2])

上述代码返回 torch.Size([2])，这意味着向量具有 [2] 的形状。这是因为在方括号内放置了两个元素（[7, 7]）。

现在看一个矩阵，代码如下：

>>> # Matrix
>>> MATRIX = torch.tensor([[7, 8],
                   [9, 10]])
>>> MATRIX
tensor([[ 7,  8],
        [ 9, 10]])

矩阵和向量一样灵活，只是它们有一个额外的维度，代码如下：

>>> # Check number of dimensions
>>> MATRIX.ndim
2

矩阵有两个维度。你认为它会是什么形状？

>>> MATRIX.shape
torch.Size([2, 2])

得到了 torch.Size([2, 2])，因为 MATRIX 是两个元素深和两个元素宽。

创建一个张量：

>>> # Tensor
>>> TENSOR = torch.tensor([[[1, 2, 3],
              [3, 6, 9],
              [2, 4, 5]])
>>> TENSOR
tensor([[1, 2, 3],
        [3, 6, 9],
        [2, 4, 5]])

你认为它有多少维度？

>>> # Check number of dimensions for TENSOR
>>> TENSOR.ndim
3

检查它的形状：

>>> # Check shape of TENSOR
>>> TENSOR.shape
torch.Size([1, 3, 3])

维度从外到内。这意味着有一个 3×3 的 1 个维度。

PyTorch随机张量

当使用 PyTorch 构建机器学习模型时，很少会手动创建张量。相反，机器学习模型通常从大的随机数张量开始，并在处理数据时调整这些随机数，以更好地表示数据。

可以使用 torch.rand() 并传入 size 参数来完成此操作，代码如下：

>>> # Create a random tensor of size (3, 4)
>>> random_tensor = torch.rand(size=(3, 4))
>>> random_tensor, random_tensor.dtype
(tensor([[0.3631, 0.3493, 0.7014, 0.8026],
        [0.7313, 0.7560, 0.5939, 0.4873],
        [0.9999, 0.1685, 0.6585, 0.3015]]), torch.float32)

torch.rand() 的灵活性在于，可以将大小调整为我们想要的任何大小。例如，想要一个通用图像形状为 [224, 224, 3]([高度，宽度，颜色通道]) 的随机张量，代码如下：

>>> # Create a random tensor of size (224, 224, 3)
>>> random_image_size_tensor = torch.rand(size=(224, 224, 3))
>>> random_image_size_tensor.shape, random_image_size_tensor.ndim
(torch.Size([224, 224, 3]), 3)

PyTorch零和一填充张量

有时只想用零或一来填充张量。这种情况在做掩码时经常发生。

用 torch.zeros() 可以创建一个全是 0 的张量，代码如下：

>>> # Create a tensor of all zeros
>>> zeros = torch.zeros(size=(3, 4))
>>> zeros, zeros.dtype
(tensor([[0., 0., 0., 0.],
        [0., 0., 0., 0.],
        [0., 0., 0., 0.]]), torch.float32)

可以使用 torch.ones() 创建一个全是 1 的张量，代码如下：

>>> # Create a tensor of all ones
>>> ones = torch.ones(size=(3, 4))
>>> ones, ones.dtype
(tensor([[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]]), torch.float32)

PyTorch范围张量

有时可能需要一个数字范围，如 1~10 或 0~100。这时可以用 torch.arange(start,end, step)。

start=范围的开始（如 0）；
end=范围结束（如 10）；
step=每个值之间的步长（如 1）。

>>> # Create a range of values 0 to 10
>>> zero_to_ten = torch.arange(start=0, end=10, step=1)
>>> zero_to_ten
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

有时，可能想要一个特定类型的张量与另一个张量具有相同的形状。例如，一个全零的张量，其形状与前一个张量相同。要做到这一点，可以使用 torch.zeros_like(input) 或 torch.ones_like(input)，它们分别返回一个填充有与输入形状相同的 0 或 1 的张量，代码如下：

>>> # Can also create a tensor of zeros similar to another tensor
>>> ten_zeros = torch.zeros_like(input=zero_to_ten) # will have same shape
>>> ten_zeros
tensor([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

PyTorch创建张量的多种方式（附带实例）