pytorch2——Pytorch基礎數據結構——張量(深度之眼)

前情提要

在上一篇文章中，我們詳細介紹瞭如何搭建一個pytorch的環境，那麼本篇文章我們即將揭開pytorch的神祕面紗，瞭解pytorch中的數據結構——Tensor。

---

概念問答

張量是什麼？	張量是一個多維數組。
張量與矩陣、向量、標量的關係是怎麼樣的呢	張量是標量、向量、矩陣的高維拓展
什麼是Variable？	Variable是 torch.autograd 中的數據類型主要用於封裝Tensor ，進行 自動求導
Variable“賦予”張量有什麼功能？	它賦予了張量一些屬性(grad：數據的梯度,grad_fn：創建張量的function,requires_grad：是否需要梯度,is_leaf：是否是葉子節點(張量))

---

實操(張量的創建)

    方法一：直接創建torch.tensor

     

    
import torch
import numpy as np
    arr = np.ones((3, 3))
    print("ndarray的數據類型：", arr.dtype)
    # t = torch.tensor(arr, device='cuda')在gpu下跑
    t = torch.tensor(arr)

    print(t)

• 採用torch.from_numpy創建張量，並打印查看ndarray和張量數據的地址

#實驗發現:從 torch.from_numpy 創建的 tensor 與原 ndarray 共享內存 ，當修
改其中一個的數據，另外一個也將會被改動
    arr = np.array([[1, 2, 3], [4, 5, 6]])
    t = torch.from_numpy(arr)
    # print("numpy array: ", arr)
    # print("tensor : ", t)

    # print("\n修改arr")
    # arr[0, 0] = 0
    # print("numpy array: ", arr)
    # print("tensor : ", t)

    print("\n修改tensor")
    t[0, 0] = -1
    print("numpy array: ", arr)
    print("tensor : ", t)

---

 方法二：依據數值創建

    方式比較多，後續會詳細羅列，比如torch.zeros()

---

方法三：依概率分佈創建張量

• 實現torch.normal()創建張量的四種模式（也就是正態分佈的四種模式）

mean是標量	std是標量
mean是標量	std是張量
mean是張量	std是標量
mean是張量	std是張量

    #python代碼的實現
    # mean：張量 std: 張量
    # mean = torch.arange(1, 5, dtype=torch.float)
    # std = torch.arange(1, 5, dtype=torch.float)
    # t_normal = torch.normal(mean, std)
    # print("mean:{}\nstd:{}".format(mean, std))
    # print(t_normal)

    # mean：標量 std: 標量
    # t_normal = torch.normal(0., 1., size=(4,))
    # print(t_normal)

    # mean：張量 std: 標量
    mean = torch.arange(1, 5, dtype=torch.float)
    std = 1
    t_normal = torch.normal(mean, std)
    print("mean:{}\nstd:{}".format(mean, std))
    print(t_normal)