本文小编为大家详细介绍“PyTorch怎么定义Tensor、索引和切片”，内容详细，步骤清晰，细节处理妥当，希望这篇“PyTorch怎么定义Tensor、索引和切片”文章能帮助大家解决疑惑，下面跟着小编的思路慢慢深入，一起来学习新知识吧。
这些方法只是开辟了空间，所附的初始值（非常大，非常小，0），后面还需要我们进行数据的存入。
torch.empty()：返回一个没有初始化的Tensor，默认是FloatTensor类型。
#torch.empty(d1,d2,d3)函数输入的是shape torch.empty(2,3,5) #tensor([[[-1.9036e-22, 6.8944e-43, 0.0000e+00, 0.0000e+00, -1.0922e-20], # [ 6.8944e-43, -2.8812e-24, 6.8944e-43, -5.9272e-21, 6.8944e-43], # [ 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00]], # # [[ 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00], # [ 0.0000e+00, 0.0000e+00, 1.4013e-45, 0.0000e+00, 0.0000e+00], # [ 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00]]])
torch.FloatTensor()：返回没有初始化的FloatTensor。
#torch.FloatTensor(d1,d2,d3) torch.FloatTensor(2,2) #tensor([[-0.0000e+00, 4.5907e-41], # [-7.3327e-21, 6.8944e-43]])
torch.IntTensor()：返回没有初始化的IntTensor。
#torch.IntTensor(d1,d2,d3) torch.IntTensor(2,2) #tensor([[ 0, 1002524760], # [-1687359808, 492]], dtype=torch.int32)
随机均匀分布：rand/rand_like,randint
rand:[0,1)均匀分布；randint(min,max,[d1,d2,d3]) 返回[min,max)的整数均匀分布
#torch.rand(d1,d2,d3) torch.rand(2,2) #tensor([[0.8670, 0.6158], # [0.0895, 0.2391]]) #rand_like() a=torch.rand(3,2) torch.rand_like(a) #tensor([[0.2846, 0.3605], # [0.3359, 0.2789], # [0.5637, 0.6276]]) #randint(min,max,[d1,d2,d3]) torch.randint(1,10,[3,3,3]) #tensor([[[3, 3, 8], # [2, 7, 7], # [6, 5, 9]], # # [[7, 9, 9], # [6, 3, 9], # [1, 5, 6]], # # [[5, 4, 8], # [7, 1, 2], # [3, 4, 4]]])
随机正态分布 randn
randn返回一组符合N(0,1)正态分布的随机数据
#randn(d1,d2,d3) torch.randn(2,2) #tensor([[ 0.3729, 0.0548], # [-1.9443, 1.2485]]) #normal(mean,std) 需要给出均值和方差 torch.normal(mean=torch.full([10],0.),std=torch.arange(1,0,-0.1)) #tensor([-0.8547, 0.1985, 0.1879, 0.7315, -0.3785, -0.3445, 0.7092, 0.0525, 0.2669, 0.0744]) #后面需要用reshape修正成自己想要的形状
full：返回一个定值
#full([d1,d2,d3],num) torch.full([2,2],6) #tensor([[6, 6], # [6, 6]]) torch.full([],6) #tensor(6) 标量 torch.full([1],6) #tensor([6]) 向量
arange：返回一组阶梯,等差数列
#torch.arange(min,max,step):返回一个[min,max),步长为step的集体数组，默认为1 torch.arange(0,10) #tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) torch.arange(0,10,2) #tensor([0, 2, 4, 6, 8])
linspace/logspace:返回一组阶梯
#torch.linspace(min,max,steps):返回一个[min,max],数量为steps的数组 torch.linspace(1,10,11) #tensor([ 1.0000, 1.9000, 2.8000, 3.7000, 4.6000, 5.5000, 6.4000, 7.3000, # 8.2000, 9.1000, 10.0000]) #torch.logspace(a,b,steps):返回一个[10^a,10^b]，数量为steps的数组 torch.logspace(0,1,10) #tensor([ 1.0000, 1.2915, 1.6681, 2.1544, 2.7826, 3.5938, 4.6416, 5.9948, # 7.7426, 10.0000])
ones/zeros/eye:返回全1全0或者对角阵 ones_like/zeros_like
#torch.ones(d1,d2) torch.ones(2,2) #tensor([[1., 1.], # [1., 1.]]) #torch.zeros(d1,d2) torch.zeros(2,2) #tensor([[0., 0.], # [0., 0.]]) #torch.eye() 只能接收一个或两个参数 torch.eye(3) #tensor([[1., 0., 0.], # [0., 1., 0.], # [0., 0., 1.]]) torch.eye(2,3) #tensor([[1., 0., 0.], # [0., 1., 0.]])
randperm：一般用于位置操作。类似random.shuffle()。
torch.randperm(8) #tensor([2, 6, 7, 5, 3, 4, 1, 0])
简单索引方式
a=torch.rand(4,3,28,28) a[0].shape #torch.Size([3, 28, 28]) a[0,0,0,0] #tensor(0.9373)
批量索引方式 开始位置：结束位置 左边取的到，右边取不到 算是一种切片 [0,1,2]->[-3,-2,-1]
a[:2].shape #torch.Size([2, 3, 28, 28]) a[1:].shape #torch.Size([3, 3, 28, 28])
隔行采样方式 开始位置:结束位置:间隔
a[:,:,0:28:2,:].shape #torch.Size([4, 3, 14, 28])
任意取样方式 a.index_select(d,[d层的数据索引])
a.index_select(0,torch.tensor([0,2])).shape #torch.Size([2, 3, 28, 28]) a.index_select(1,torch.tensor([0,2])).shape #torch.Size([4, 2, 28, 28])
...任意维度取样
a[...].shape #torch.Size([4, 3, 28, 28]) a[0,...].shape #torch.Size([3, 28, 28]) a[:,2,...].shape #torch.Size([4, 28, 28])
掩码索引mask x.ge(0.5) 表示大于等于0.5的为1，小于0.5的为0
#torch.masked_select 取出掩码对应位置的值 x=torch.randn(3,4) mask=x.ge(0.5) torch.masked_select(x,mask) #tensor([1.6950, 1.2207, 0.6035])
具体索引 take(变量，位置) 会把变量变为一维的
x=torch.randn(3,4) torch.take(x,torch.tensor([0,1,5])) #tensor([-2.2092, -0.2652, 0.4848])
读到这里，这篇“PyTorch怎么定义Tensor、索引和切片”文章已经介绍完毕，想要掌握这篇文章的知识点还需要大家自己动手实践使用过才能领会，如果想了解更多相关内容的文章，欢迎关注亿速云行业资讯频道。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
