笔记 | PyTorch张量Tensor的一些必备操作-技术圈

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

张量是什么？

标量：0维张量；比如一个单独的数字1
向量：1维张量；比如一组排列好的数：1,2,3,4,5,6
矩阵：2为张量；比如一个灰度图矩阵
3维张量；比如一个彩色图RGB
n维张量

张量是一个多维数组，它是标量、向量、矩阵的高维扩展

Variable是PyTorch0.4.0之前的内容，现在并入Tensor了！

Variable是torch.autograd中的数据类型，后来并入了Tensor，主要目的是为了封装求导

五个属性：

data：被包装的Tensor
grad：data的梯度
grad_fn：创建Tensor的Func，记录比如操作加法还是乘法
requires_grad：是否需要求梯度
is_leaf：是否是叶子结点（张量）

后来Variable就并入了Tensor中

现在是8个属性：

dtype：张量的数据类型，如torch.FloatTensor，torch.cuda.FloatTensor
shape：张量的形状
device：张量所在的设备，GPU还是CPU

那么张量有哪些必备的创建方法值得学习？

这些代码王博Kings都一个一个敲打注释的，可以直接运行

import numpy as np
import torch

通过torch.tensor创建张量

    arr = np.ones((3,3))    print("由np.ones生成的数据：\n",arr)    print("ndarray的数据类型：",arr.dtype,"\n")
    #t = torch.tensor(arr, device='cuda')    t = torch.tensor(arr)
    print("torch.tensor创建好的Tensor：\n",t)

输出结果：

由np.ones生成的数据： [[1. 1. 1.] [1. 1. 1.] [1. 1. 1.]]ndarray的数据类型：float64 
torch.tensor创建好的Tensor： tensor([[1., 1., 1.],        [1., 1., 1.],        [1., 1., 1.]], dtype=torch.float64)
Process finished with exit code 0

通过torch.from_numpy创建张量

    arr = np.array([[1,2,3],[4,5,6]])    print("由np.array生成的数据：\n",arr)    t = torch.from_numpy(arr)    print("torch.from_numpy创建好的Tensor：\n",t)
    # 由from_numpy创建的Tensor是共享内存空间    # 修改numpy中的一个数字，看看tensor有没有变化    print("\n=======================\n修改arr")    arr[0,0]=9    print("由np.array生成的数据：\n",arr)    t = torch.from_numpy(arr)    print("torch.from_numpy创建好的Tensor：\n",t)
    # 由from_numpy创建的Tensor是共享内存空间    # 修改tensor中的一个数字，看看numpy有没有变化    print("\n=======================\n修改t")    t[0,0]=-9    print("由np.array生成的数据：\n",arr)    t = torch.from_numpy(arr)    print("torch.from_numpy创建好的Tensor：\n",t)

运行结果

由np.array生成的数据： [[1 2 3] [4 5 6]]torch.from_numpy创建好的Tensor： tensor([[1, 2, 3],        [4, 5, 6]], dtype=torch.int32)
=======================修改arr由np.array生成的数据： [[9 2 3] [4 5 6]]torch.from_numpy创建好的Tensor： tensor([[9, 2, 3],        [4, 5, 6]], dtype=torch.int32)
=======================修改t由np.array生成的数据： [[-9  2  3] [ 4  5  6]]torch.from_numpy创建好的Tensor： tensor([[-9,  2,  3],        [ 4,  5,  6]], dtype=torch.int32)
Process finished with exit code 0

通过torch.zeros创建张量

    out_t = torch.tensor(([1]))
    t = torch.zeros((3,3), out=out_t)
    print("t的值：\n",t,"\n out_t的值\n",out_t)    print("看一下t和out_t的id位置号\n",id(t),"\n",id(out_t))

输出结果

t的值： tensor([[0, 0, 0],        [0, 0, 0],        [0, 0, 0]])  out_t的值 tensor([[0, 0, 0],        [0, 0, 0],        [0, 0, 0]])看一下t和out_t的id位置号 1819528746952  1819528746952
Process finished with exit code 0

通过torch.full创建全相同的张量

    t = torch.full((3,3),10)    print("torch.full((3,3),10)的输出结果\n",t)

输出结果

torch.full((3,3),10)的输出结果 tensor([[10., 10., 10.],        [10., 10., 10.],        [10., 10., 10.]])

通过torch.arange创建等差数列张量

    t = torch.arange(2,10,2)    print("torch.arange(2,10,2)的输出结果\n",t)

输出结果

torch.arange(2,10,2)的输出结果 tensor([2, 4, 6, 8])

通过torch.linspace创建均分数列张量

步长=（Start - end）/（Steps - 1）

    t = torch.linspace(2,10,5)    print("torch.linspace(2,10,5)的输出结果\n",t)    t = torch.linspace(2,10,6)    print("torch.linspace(2,10,6)的输出结果\n",t)

输出结果

torch.linspace(2,10,5)的输出结果 tensor([ 2.,  4.,  6.,  8., 10.])torch.linspace(2,10,6)的输出结果 tensor([ 2.0000,  3.6000,  5.2000,  6.8000,  8.4000, 10.0000])

通过torch.eye创建单位对角矩阵

    t = torch.eye(3)    print("torch.eye(3)的输出结果\n",t)

输出结果

torch.eye(3)的输出结果 tensor([[1., 0., 0.],        [0., 1., 0.],        [0., 0., 1.]])

通过torch.normal()创建概率分布的张量

    # mean：张量 std: 张量    print("-----------mean：张量 std: 张量---------")    mean = torch.arange(1, 5, dtype=torch.float)    std = torch.arange(1, 5, dtype=torch.float)    print("mean是：",mean,"\n std是：",std)    t_normal = torch.normal(mean, std)    print("t_normal是\n",t_normal)
    # mean：标量 std: 标量    print("-----------mean：标量 std: 标量---------")    t_normal = torch.normal(0., 1., size=(5,))    print("torch.normal(0., 1., size=5,))输出\n",t_normal)
    # mean：张量 std: 标量    print("-----------mean：张量 std: 标量---------")    mean = torch.arange(1, 5, dtype=torch.float)    std = 1    print("mean是：",mean,"\n std是：",std)    t_normal = torch.normal(mean, std)    print("t_normal是\n",t_normal)

输出结果：

-----------mean：张量 std: 张量---------mean是：tensor([1., 2., 3., 4.])  std是：tensor([1., 2., 3., 4.])t_normal是 tensor([ 1.0527,  2.8746,  5.1393, -2.5108])-----------mean：标量 std: 标量---------torch.normal(0., 1., size=5,))输出 tensor([-0.7771, -0.7684,  0.8846,  0.5542,  1.3451])-----------mean：张量 std: 标量---------mean是：tensor([1., 2., 3., 4.])  std是：1t_normal是 tensor([0.5560, 1.9777, 2.9634, 2.7911])
Process finished with exit code 0

好消息，小白学视觉团队的知识星球开通啦，为了感谢大家的支持与厚爱，团队决定将价值149元的知识星球现时免费加入。各位小伙伴们要抓住机会哦！

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~