【相關推薦：Python3影片教學 】
torch.Tensor 是一種包含單一資料型別元素的多維矩陣，類似numpy 的array。
Tensor 可以使用 torch.tensor() 轉換 Python 的 list 或序列資料生成，產生的是dtype 預設是 torch.FloatTensor。
注意
torch.tensor()總是拷貝 data。如果你有一個 Tensor data 並且只是想改變它的requires_grad屬性，可用requires_grad_()或detach()來避免拷貝。如果你有一個numpy陣列並且想避免拷貝，請使用torch.as_tensor()。
1，指定資料類型的Tensor 可以透過傳遞參數torch.dtype 和/或torch.device 到建構函式產生：
注意為了改變現有的tensor 的torch.device 和/或torch.dtype, 考慮使用
to()方法.
>>> torch.ones([2,3], dtype=torch.float64, device="cuda:0")
tensor([[1., 1., 1.],
[1., 1., 1.]], device='cuda:0', dtype=torch.float64)
>>> torch.ones([2,3], dtype=torch.float32)
tensor([[1., 1., 1.],
[1., 1., 1.]])2，Tensor 的內容可以透過Python索引或切片存取以及修改：
>>> matrix = torch.tensor([[2,3,4],[5,6,7]])
>>> print(matrix[1][2])
tensor(7)
>>> matrix[1][2] = 9
>>> print(matrix)
tensor([[2, 3, 4],
[5, 6, 9]])3，使用torch.Tensor.item() 或int() 方法從只有在一個值的Tensor中取得Python Number：
>>> x = torch.tensor([[4.5]]) >>> x tensor([[4.5000]]) >>> x.item() 4.5 >>> int(x) 4
4，Tensor可以透過參數requires_grad=True 建立, 這樣torch.autograd 會記錄相關的運算實作自動求導：
>>> x = torch.tensor([[1., -1.], [1., 1.]], requires_grad=True) >>> out = x.pow(2).sum() >>> out.backward() >>> x.grad tensor([[ 2.0000, -2.0000], [ 2.0000, 2.0000]])
5，每一個tensor都有一個對應的torch.Storage 儲存其資料。 tensor 類別提供了一個多維的、strided 視圖, 並定義了數值操作。
Torch 定義了七種CPU tensor 類型和八個GPU tensor 類型：
torch. Tensor 是預設的tensor 類型（torch.FloatTensor）的簡稱，即32 位元浮點數資料型別。
Tensor 的屬性
Tensor 有許多屬性，包括資料型態、Tensor 的維度、Tensor 的尺寸。
範例程式碼如下：
matrix = torch.tensor([[[1,2,3,4],[5,6,7,8]],
[[5,4,6,7], [5,6,8,9]]], dtype = torch.float64)
print(matrix) # 打印 tensor
print(matrix.dtype) # 打印 tensor 数据类型
print(matrix.dim()) # 打印 tensor 维度
print(matrix.size()) # 打印 tensor 尺寸
print(matrix.shape) # 打印 tensor 尺寸
matrix2 = matrix.view(4, 2, 2) # 改变 tensor 尺寸
print(matrix2)程式輸出結果如下：
contiguous）的tensor 進行操作，而reshape( ) 同時也可以對不符合連續性條件的tensor 進行操作。在滿足tensor 連續性條件（contiguous）時，a.reshape() 傳回的結果與a.view() 相同，都不會開啟新記憶體空間；不滿足contiguous時， 直接使用view() 方法會失敗，reshape() 仍然有用，但是會重新開闢內存空間，不與之前的tensor 共享內存，即返回的是”副本“（等價於先呼叫contiguous() 方法再使用view() 方法）。 更多理解參考這篇文章
.numpy() 方法從 Tensor 得到 numpy 數組，也可以用 torch.from_numpy 從 numpy 陣列得到Tensor。這兩種方法關聯的 Tensor 和 numpy 陣列是共享資料記憶體的。可以用張量的 clone方法拷貝張量，中斷這種關聯。
arr = np.random.rand(4,5) print(type(arr)) tensor1 = torch.from_numpy(arr) print(type(tensor1)) arr1 = tensor1.numpy() print(type(arr1)) """ <class 'numpy.ndarray'> <class 'torch.Tensor'> <class 'numpy.ndarray'> """
item() 方法和 tolist() 方法可以將張量轉換成 Python 數值和數值列表
# item方法和tolist方法可以将张量转换成Python数值和数值列表 scalar = torch.tensor(5) # 标量 s = scalar.item() print(s) print(type(s)) tensor = torch.rand(3,2) # 矩阵 t = tensor.tolist() print(t) print(type(t)) """ 1.0 <class 'float'> [[0.8211846351623535, 0.20020723342895508], [0.011571824550628662, 0.2906131148338318]] <class 'list'> """
创建 tensor ，可以传入数据或者维度，torch.tensor() 方法只能传入数据，torch.Tensor() 方法既可以传入数据也可以传维度，强烈建议 tensor() 传数据，Tensor() 传维度，否则易搞混。
| 方法名 | 方法功能 | 备注 |
|---|---|---|
torch.rand(*sizes, out=None) → Tensor | 返回一个张量，包含了从区间 [0, 1) 的均匀分布中抽取的一组随机数。张量的形状由参数sizes定义。 | 推荐 |
torch.randn(*sizes, out=None) → Tensor | 返回一个张量，包含了从标准正态分布（均值为0，方差为1，即高斯白噪声）中抽取的一组随机数。张量的形状由参数sizes定义。 | 不推荐 |
torch.normal(means, std, out=None) → Tensor | 返回一个张量，包含了从指定均值 means 和标准差 std 的离散正态分布中抽取的一组随机数。标准差 std 是一个张量，包含每个输出元素相关的正态分布标准差。 | 多种形式，建议看源码 |
torch.rand_like(a) | 根据数据 a 的 shape 来生成随机数据 | 不常用 |
torch.randint(low=0, high, size) | 生成指定范围(low, hight)和 size 的随机整数数据 | 常用 |
torch.full([2, 2], 4) | 生成给定维度，全部数据相等的数据 | 不常用 |
torch.arange(start=0, end, step=1, *, out=None) | 生成指定间隔的数据 | 易用常用 |
torch.ones(*size, *, out=None) | 生成给定 size 且值全为1 的矩阵数据 | 简单 |
zeros()/zeros_like()/eye() | 全 0 的 tensor 和 对角矩阵 | 简单 |
样例代码：
>>> torch.rand([1,1,3,3])
tensor([[[[0.3005, 0.6891, 0.4628],
[0.4808, 0.8968, 0.5237],
[0.4417, 0.2479, 0.0175]]]])
>>> torch.normal(2, 3, size=(1, 4))
tensor([[3.6851, 3.2853, 1.8538, 3.5181]])
>>> torch.full([2, 2], 4)
tensor([[4, 4],
[4, 4]])
>>> torch.arange(0,10,2)
tensor([0, 2, 4, 6, 8])
>>> torch.eye(3,3)
tensor([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])【相关推荐：Python3视频教程 】
以上是實例詳解Pytorch中的tensor資料結構的詳細內容。更多資訊請關注PHP中文網其他相關文章！
