# 创建tensor
a = np.array([2,2.3])
b = torch.from_numpy(a)
print(b)
tensor([2.0000, 2.3000], dtype=torch.float64)
c = np.ones([2,3])
d = torch.from_numpy(c)
print(d)
tensor([[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
# 从list导入
# 小写tensor放现成数据，大写Tensor放shape维度
a = torch.tensor([2.,3.2])
print(a)tensor([2.0000, 3.2000])
# 大写也可以放现成数据但是必须得是个list，如果是维度的话只要（2，3）不需要[]
a = torch.FloatTensor([2.,3.2])
print(a)tensor([2.0000, 3.2000])
# 定义空的容器准备放tensor（会生成随机数据，后续要输入） # torch.empty(1)##如果不1或其他的话，会出现无穷数据 # torch.FloatTensor(1,2,3)##几维就几个数 # torch.IntTensor(1,2,3) # 如果没有设置，不管是tensor还是Tensor都默认是float的
a = torch.tensor([1.2,3]).type()
print(a)# 设置修改默认类型
torch.set_default_tensor_type(torch.DoubleTensor)
a = torch.tensor([1.2,3]).type()
print(a)torch.FloatTensor torch.DoubleTensor
# 常用的随机初始化函数
a = torch.rand(3,3)#0~1之间均值分布
print(a)
b = torch.rand_like(a)#输入就是一个tensor
print(b)
c = torch.randint(1,10,[3,3])#最小1，最大10，shape
print(c)
# tensor([[0.5065, 0.8315, 0.4257],
# [0.4295, 0.2938, 0.5987],
# [0.1072, 0.3201, 0.0917]])
# tensor([[0.1203, 0.8148, 0.8335],
# [0.3040, 0.6993, 0.0636],
# [0.3232, 0.0061, 0.6630]])
# tensor([[6, 9, 5],
# [3, 5, 5],
# [1, 6, 6]])
# 取正态分布N（0，1）
a = torch.randn(3,3)
print(a)
# 自己设置均值与方差
b = torch.normal(mean=torch.full([10],0.),std=torch.arange(1,0,-0.1))
#full生成长度为10且都为0的向量
print(b)
# tensor([[-0.2573, -0.9736, -1.0613],
# [-0.1246, 0.1025, -0.0975],
# [-1.3035, 0.2722, -0.3027]])
# tensor([-0.0322, -0.0394, 0.6556, -0.0090, -0.4209, -0.3295, 0.3497, 0.1770,
# 0.0176, -0.1186])
# 维度为1，数量为10，后面需要自己reshape
# 定义或清空一个tensor
a = torch.full([2,3],7)
print(a)
# 生成一个7的标量，也就是没有向量的0维的
b = torch.full([],7)
print(b)
# 生成1维
c = torch.full([1],7)
# 如果是[2]，也是1维，但是是7，7
# tensor([[7, 7, 7],
# [7, 7, 7]])
# tensor(7)
# 等差数列
a = torch.arange(0,10)
print(a)
# tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
a = torch.arange(0,10,2)#第三个参数是阶梯
print(a)
# tensor([0, 2, 4, 6, 8])
# 均分
a = torch.linspace(0,10, steps=4)
print(a)
# tensor([ 0.0000, 3.3333, 6.6667, 10.0000])
a = torch.linspace(0,10, steps=11)
print(a)
# tensor([ 0., 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])
# -1~0出来的是以10为底，每个数为指数的数值
a = torch.logspace(0,-1, steps=10)
print(a)
# tensor([1.0000, 0.7743, 0.5995, 0.4642, 0.3594, 0.2783, 0.2154, 0.1668, 0.1292,
# 0.1000])
# 生成对角矩阵
a = torch.eye(3,4)
b = torch.eye(3)
print(a,b)
# tensor([[1., 0., 0., 0.],
# [0., 1., 0., 0.],
# [0., 0., 1., 0.]]) tensor([[1., 0., 0.],
# [0., 1., 0.],
# [0., 0., 1.]])
a = torch.zeros(3,3)
b = torch.ones_like(a)
print(b)
# tensor([[1., 1., 1.],
# [1., 1., 1.],
# [1., 1., 1.]])
# 随机打乱但保持索引不变
a = torch.rand(2,3)
b = torch.rand(2,2)
idx = torch.randperm(2)
print(idx)
print(idx)
a[idx]
b[idx]
print(a[idx],b[idx])
# tensor([1, 0])
# tensor([1, 0])
# tensor([[0.6402, 0.4217, 0.0593],
# [0.8788, 0.5715, 0.6452]]) tensor([[0.9691, 0.8659],
# [0.1530, 0.5879]])
