pytorch学习笔记(一)---创建Tensor的多种方法_torch 指定长度tensor-优快云博客

本文介绍了创建Tensor的多种方法，如使用numpy、list创建，仅指定维度初始化等，还可修改默认类型。同时汇总了生成随机数Tensor的方法，包括均匀分布、标准正态分布、离散正态分布和线性间距向量，详细说明了各方法的参数及示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一.创建Tensor的多种方法

使用numpy创建

import torch
import numpy as np
#利用numpy创建
a = np.array([1, 2])
a_torch = torch.from_numpy(a)
print(type(a), type(a_torch))

输出
<class ‘numpy.ndarray’> <class ‘torch.Tensor’>

使用list创建

a = torch.FloatTensor([2, 3.3])  # 尽量少用这种方式,容易和给shape的情况看混淆
b = torch.tensor([2, 3.3])  # 现有list时尽量用这种方式

注意小写的tensor只接受现有的数据；而大写的Tensor相当于就是FloatTensor，既可以接收现有的数据，也可以接受shape来创建指定形状的Tensor。

仅指定维度初始化

前面都提供了里面元素的具体值，也可以按照shape来创建，而先不为其提供具体值

# 生成2行3列的数据
a = torch.empty(2, 3)
b = torch.FloatTensor(2, 3)
c = torch.IntTensor(2, 3)

修改tensor的默认类型

使用torch.tensor传入浮点数元素，或者使用torch.Tensor仅指定维度时，生成的默认是FloatTensor，也可以修改默认设置使其默认是其它类型的。

    print(torch.tensor([1, 2.2]).type())
torch.set_default_tensor_type(torch.DoubleTensor)
print(torch.tensor([1, 2.2]).type())

使用相同元素构建

# shape=2,3,所使用的相同的元素为7
b = torch.full([2, 3], 7)

arange

c = torch.arange(0, 8, 2)  # tensor([0, 2, 4, 6])

全0

a = torch.zeros([3, 4])

全1

b = torch.ones([3, 4])

对角阵

c = torch.eye(2, 3) # 只能是二维的,传入dim=2的shape
d = torch.eye(3 )# 也可以只给一个参数n，得到的就是n阶的对角方阵。
print(c)
print(d)

输出：
tensor([[1., 0., 0.],
[0., 1., 0.]])
tensor([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]]

randperm

使用randperm可以生成一个从0开始的、已经打乱的连续索引Tensor，用它可以对其它Tensor做shuffle。特别是在有几个需要保持一致顺序的Tensor时，用相同的索引Tensor就能保证shuffle之后的Tensor在那个维度上的顺序一致了。

import torch
# 两个Tensor的shape[0]是相同的,都是3
a = torch.rand(3, 1)
b = torch.rand(3, 1)
print(a, b, sep='\n')
print("-" * 20)

# 制造一个[0,3)的索引序列
idx = torch.randperm(3)
print(idx)
print("-" * 20)

# 给a,b做shuffle,保证第一个维度在shuffle后的对应关系不变
a_sf = a[idx]
b_sf = b[idx]
print(a_sf, b_sf, sep='\n')

输出：
tensor([[0.2253],
[0.6864],
[0.9565]])
tensor([[0.7317],
[0.0779],
[0.3842]])

tensor([2, 1, 0])

tensor([[0.9565],
[0.6864],
[0.2253]])
tensor([[0.3842],
[0.0779],
[0.7317]])