Pytorch学习之torch----创建操作
1. (n, m=None, out=None)
说明：创建⼀个2维张量，对⾓线数字为1， 其他位置为0。也就是⼀个单位矩阵。
my favourite food
参数：
n -- ⾏数，
m -- 列数，如果为None，默认等于n，
out -- 输出张量
>>> import torch
>>> (3)
tensor([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
>>> (3, 4)
tensor([[1., 0., 0., 0.],
[0., 1., 0., 0.],
[0., 0., 1., 0.]])
2. torch.from_numpy(ndarray)
说明：将numpy.ndarray转换为Tensor。返回的Tensor和numpy的ndarray共享同⼀内存空间。修改⼀个会导致另外⼀个也被修改。返回的张量不能调整⼤⼩。
>>> import numpy
>>> a = numpy.array([1, 2, 3])
>>> t = torch.from_numpy(a)
>>> t
tensor([1, 2, 3], dtype=torch.int32)
>>> t[0] = -1
>>> a
array([-1, 2, 3])
拼音字母写法>caring3. torch.linspace(start, end, steps=100, out=None)
说明：返回start和end之间长度为steps的⼀维张量，也就是start和end之间的steps个数。并且其返回的是⼀个等差数列。
参数：
start(float) -- 点集的起始值，
end(float) -- 点集的最终值，
steps(int) -- start和end之间的采样数，即返回多少个数
out(Tensor，可选) -- 结果张量
>>> torch.linspace(-10, 10, steps=5)
tensor([-10., -5., 0., 5., 10.])
>>> torch.linspace(0, 5, 5)
tensor([0.0000, 1.2500, 2.5000, 3.7500, 5.0000])
>>> torch.linspace(start=-10, end=10, steps=10)
tensor([-10.0000, -7.7778, -5.5556, -3.3333, -1.1111, 1.1111, 3.3333,
5.5556, 7.7778, 10.0000])
2016考研国家分数线4. torch.logspace(start, end, steps=100, out=None)
说明：返回⼀个1维张量，包含在区间和上，以对数刻度均匀间隔的steps个点。输出1维张量的长度为steps。参数：
start(float) -- 点集的起始点
end(float) -- 点集的最终点
steps(int) -- 在start和end间⽣成的样本数
out(Tensor，可选) -- 结果张量
>>> torch.logspace(start=-10, end=10, steps=5)
tensor([1.0000e-10, 1.0000e-05, 1.0000e+00, 1.0000e+05, 1.0000e+10])
>>> torch.logspace(0.1, 1.0, 5)
gageetensor([ 1.2589, 2.1135, 3.5481, 5.9566, 10.0000])
5. s(*sizes, out=None)
说明：返回⼀个全为1的张量，形状由可变参数sizes定义。
参数：
sizes(int) -- 整数序列，定义了输出的形状。如(3,3）
out(Tensor, 可选) -- 结果张量
>>> s(2, 3)
tensor([[1., 1., 1.],
[1., 1., 1.]])
>>> s(5)
tensor([1., 1., 1., 1., 1.])
6. torch.rand(*size, out=None)
asmuchas说明：返回⼀个张量，填充在[0,1]区间的⼀组均匀分布随机数。Tensor的形状由变量sizes定义。
参数：
sizes(int) -- 整数序列，定义了输出形状
out(Tensor, 可选) -- 结果张量
>>> torch.rand(4)
tensor([0.4962, 0.0724, 0.0478, 0.3524])
>>> torch.rand(2, 3)
tensor([[0.3200, 0.7308, 0.3226],
[0.8039, 0.2359, 0.7256]])
7. torch.randn(*size, out=None)
说明：返回⼀个张量，包含了从正态分布(均值为0，⽅差为1)中抽取⼀组随机数。Tensor的形状由变量sizes定义。
参数：
sizes(int) -- 整数序列，定义了输出形状
out(Tensor, 可选) -- 结果张量
dirac
>>> torch.randn(4)
tensor([ 0.3094, 0.4774, -0.1807, 0.9894])
>>> torch.randn(2, 3)
tensor([[-0.3299, -0.0495, -1.4758],
[-0.0680, -0.3875, 0.9846]])
8. torch.randperm(n, out=None)
说明：返回以LongTenor，输⼊参数n，返回⼀个从0到n-1的随机整数排列。
参数：
n(int) -- 上限，即最⼤值。
sg什么意思
>>> torch.randperm(4)
tensor([3, 1, 0, 2])
9. torch.arange(start, end, step=1, out=None)
说明： 返回⼀个1维张量，长度为，中间计算值，向下取整的意思。包含从start到end，以
sre
step为步长的⼀组序列值。默认步长为1。
参数：
start(float) -- 该点集的起始点
end(float) -- 点集的终⽌点
step(float) -- 相邻点的间隔⼤⼩
out(Tensor, 可选的) -- 结果张量
>>> torch.arange(1, 4)
tensor([1, 2, 3])
>>> torch.arange(1, 2.5, 0.5)
tensor([1.0000, 1.5000, 2.0000])
10. torch.range(start, end, step=1, out=None)
说明：返回⼀维张量，长度为+1，从start开始，到end结束。以step为步长的⼀组值。step
是两个值之间的间隔。
参数：
start(float) -- 点集的起始点
end(float) -- 点集的最终值
step(int) -- 相邻点之间的间隔⼤⼩
out(Tensor, 可选的) -- 结果张量
>>> torch.range(1, 4)
__main__:1: UrWarning: torch.range is deprecated in favor of torch.arange and will be removed in 0.5. Note that arange generates values in [start; end), not [s tensor([1., 2., 3., 4.])
>>> torch.range(1, 4)
tensor([1., 2., 3., 4.])
>>> torch.range(1, 4, 0.5)
tensor([1.0000, 1.5000, 2.0000, 2.5000, 3.0000, 3.5000, 4.0000])
11. s(*size, out=None)
说明：返回⼀个全0的张量，形状由可变参数sizes定义。
参数：
sizes(int) -- 整数序列，定义了输出形状
out(Tensor, 可选) -- 结果张量
>>> s(2, 3)
restauranttensor([[0., 0., 0.],
[0., 0., 0.]])
>>> s(5)
tensor([0., 0., 0., 0., 0.])
总结：这部分内容主要是创建操作，创建⼀些随机数，或者是矩阵。在pytorch中，他们都是张量类型。简单的创建操作。反复练习。⽅可掌握。如果有numpy的基础。那就更加容易学习。其实⽆论numpy，tensorflow，pytorch等。在创建⼀些随机数/矩阵中，他们都是相同的。只不过是存在不同的第三⽅库中。
