Pytorch入门之不同类型的张量

之前有写过一篇关于张量的基础用法，有兴趣的可以看一看

https://blog.csdn.net/MR_kdcon/article/details/108900039

 

话不多说，直接上图

Tensor（*sizes） 称之为基础构造函数

创建不同类型的Tensor：内容随机

例1： y = torch.Tensor(2, 3); print(y.dtype) # float32 y1 = torch.FloatTensor(2, 3); print(y1.dtype) # float32 y2 = torch.DoubleTensor(2, 3); print(y2.dtype) # float64 y3 = torch.LongTensor(2, 3); print(y3.dtype) # int64 y4 = torch.IntTensor(2, 3); print(y4.dtype) # int32 y5 = torch.ShortTensor(2, 3); print(y5.dtype) # int16 y6 = torch.CharTensor(2, 3); print(y6.dtype) # int8 y7 = torch.ByteTensor(2, 3); print(y7.dtype) # uint8 例2： x = torch.FloatTensor(6) print(x) # tensor([9.0919e-39, 1.0102e-38, 8.9082e-39, 1.0653e-38, 8.7245e-39, 1.0194e-38]) print(type(x)) # <class 'torch.Tensor'>

他们都是Tensor的子类：

 

除此之外，Tensor也可以像tensor一样创建特定的张量

y = torch.Tensor([10, 5, 96]) # tensor([10., 5., 96.]) yy = torch.tensor([10.0, 5, 96]) # tensor([10., 5., 96.])

除了基础构造函数之外

还有

tensor（data）,类似于np.array

ones(*sizes)

zeros(*size)

arange(first,last,step)，从first到last，步长为step

linspace(first,last,steps)，从first到last切成steps等分

rand/randn(*size)，0-1均匀/标准正太分布

normal(mean,std,*size) 均值为mean，方差std的标准正太分布

note:这些函数都可以指定dtpye、device