Pytorch Tensor的性質及生成方法
1.torch.rand()
torch。rand（*size， out=None） -> Tensor
作用：返回一個從區間 ［0，1）的均勻分佈中抽取的一組隨機數，張量的形狀由引數sizes定義
引數
sizes 整數序列，定義了輸出張量的形狀
out 結果張量
Example
torch。rand（2，3）
tensor（［［0。1371， 0。0177， 0。5417］，
［0。6575， 0。6141， 0。9619］］）
2.torch.randn()
torch。randn（*size， out=None） -> Tensor
作用：返回一個張量，包含了標準正態分佈 （均值為0，方差為1，即高斯白噪聲） 中抽取的一組隨機數，張量的形狀由引數size定義
引數：
size （int） 整數序列，定義了輸出張量的形狀
out （Tensor， optinal） 結果張量
Example
>>> torch。randn（2， 3）
tensor（［［ 0。1933， 0。2193， -0。7458］，
［ 0。5407， -0。9313， 0。1914］］）
3.torch.normal()
torch。normal（means， std， out=None） -> Tensor
作用：返回一個張量，包含了從指定均值means和標準差std的離散正態分佈中抽取的一組隨機數，標準差std是一個張量，包含每個輸出元素相關的正態分佈標準差
引數：
means （float， optinal） 均值
std （Tensor） 標準差
out （Tensor） 輸出張量
Example
>>> torch。normal（mean=0。5， std=torch。arange（1。， 6。））
tensor（［ 0。7295， -0。9491， -1。9996， 4。0057， -2。6932］）
4.torch.linspace()
torch。linspace（start， end， steps =100， out = None） -> Tensor
作用：返回一個一維張量，包含在區間start和end上均勻間隔的step個點，輸出張量的長度由step決定
引數：
start （float） 區間的起始點
end （float） 區間的終點
steps （int） 在start和end間生成的樣本數
out （ Tensor， optimal） 結果張量
Example
>>> torch。linspace（3， 10， steps=5）
tensor（［ 3。0000， 4。7500， 6。5000， 8。2500， 10。0000］）
5.torch.Tensor()
Example：
>>> torch。Tensor（［1，2，3，4］）
tensor（［1。， 2。， 3。， 4。］）
6。torch。Tensor（size）
Example
>>> torch。Tensor（2，3）
tensor（［［0。0000e+00， 0。0000e+00， 1。8754e+28］，
［1。0396e-05， 4。1760e+21， 1。2926e-11］］）
7.torch.Tensor(sequence)
Example
>>> torch。Tensor（［1，2，3，4，5，6］）
tensor（［1。， 2。， 3。， 4。， 5。， 6。］）
8. torch.eye(n)
Example
>>> torch。eye（3）
tensor（［［1。， 0。， 0。］，
［0。， 1。， 0。］，
［0。， 0。， 1。］］）
9. torch.from_numpy(ndarray)
Example
>>> import numpy as np
>>> a = np。array（［1，2，3，4，5，6］）
>>> torch。from_numpy（a）
tensor（［1， 2， 3， 4， 5， 6］， dtype=torch。int32）
10. Tensor attributes
Tensor attributes中有三個類：
torch。dtype 展示torch。Tensor資料型別的類，pytorch有八種不同的資料型別，下表是完整的dtype列表
torch。device 展示torch。Tensor被分配的裝置型別的類，其中分為‘cpu’和 ‘cuda’兩種，如果裝置序號沒有顯示則表示此tensor被分配到當前裝置，比如‘cuda’等同於‘cuda’：X， X為torch。cuda。current_device（）返回值
torch。layout 表現torch。Tensor記憶體分佈的類，目前只支援torch。strided
11. 建立特定的tensor
torch。zeros（*size， out=None， 。。。） #返回大小為sizes的零矩陣
>>> torch。zeros（2，3）
tensor（［［0。， 0。， 0。］，
［0。， 0。， 0。］］）
torch。zeros_like（input，。。。） #返回與input相同size的零矩陣
>>> a = torch。Tensor（［1，2，3，4，5］）
>>> torch。zeros_like（a）
tensor（［0。， 0。， 0。， 0。， 0。］）
torch。ones（*size， out=None， 。。。） #返回大小為sizes的單位矩陣
>>> torch。ones（2，3）
tensor（［［1。， 1。， 1。］，
［1。， 1。， 1。］］）
torch。ones_like（input， 。。。） #返回與input相同size的單位矩陣
>>> a = torch。Tensor（［［1，2，3］，［4，5，6］］）
>>> torch。ones_like（a）
tensor（［［1。， 1。， 1。］，
［1。， 1。， 1。］］）
torch。full（size， fill_value， 。。。） #返回大小為sizes，單位值為fill_value的矩陣
>>> torch。full（［2，3］，100）
tensor（［［100， 100， 100］，
［100， 100， 100］］）
torch。full_like（input， fill_value， 。。。） #返回input相同size，單位值為fill_value的矩陣
>>> a = torch。full（［2，3］，100）
>>> torch。full_like（a，88）
tensor（［［88， 88， 88］，
［88， 88， 88］］）
torch。arange（start = 0， end， step =1， 。。。） #返回從start到end，單位步長為step的1-d tensor
>>> torch。arange（start = 0， end=8， step =1）
tensor（［0， 1， 2， 3， 4， 5， 6， 7］）
torch。linspace（start， end， steps=100， 。。。） #返回從start到end，間隔中的插值數目為steps的1-d tensor
>>> torch。linspace（start=0， end=10， steps=1）
tensor（［0。］）
>>> torch。linspace（start=0， end=10， steps=2）
tensor（［ 0。， 10。］）
>>> torch。linspace（start=0， end=10， steps=3）
tensor（［ 0。， 5。， 10。］）
>>> torch。linspace（start=0， end=10， steps=4）
tensor（［ 0。0000， 3。3333， 6。6667， 10。0000］）
>>> torch。linspace（start=0， end=10， steps=5）
tensor（［ 0。0000， 2。5000， 5。0000， 7。5000， 10。0000］）
torch。logspace（start， end， steps =100， 。。。） #返回1-d tensor， 從10^start到10^end的steps個對數間隔
>>> torch。logspace（0， 10， steps =10）
tensor（［1。0000e+00， 1。2915e+01， 1。6681e+02， 2。1544e+03， 2。7826e+04， 3。5938e+05，
4。6416e+06， 5。9948e+07， 7。7426e+08， 1。0000e+10］）
>>> torch。logspace（0， 10， steps =20）
tensor（［1。0000e+00， 3。3598e+00， 1。1288e+01， 3。7927e+01， 1。2743e+02， 4。2813e+02，
1。4384e+03， 4。8329e+03， 1。6238e+04， 5。4556e+04， 1。8330e+05， 6。1585e+05，
2。0691e+06， 6。9519e+06， 2。3357e+07， 7。8476e+07， 2。6367e+08， 8。8587e+08，
2。9764e+09， 1。0000e+10］）
12. 建立特定的矩陣
torch。eye（n， m=None， out=None， 。。。） #返回2-D的單位對角矩陣
>>> torch。eye（4）
tensor（［［1。， 0。， 0。， 0。］，
［0。， 1。， 0。， 0。］，
［0。， 0。， 1。， 0。］，
［0。， 0。， 0。， 1。］］）
torch。empty（*size， out=None， 。。。） #但會被未被初始化的數值填充，大小為sizes的tensor
>>> torch。empty（3，4）
tensor（［［0。， 0。， 0。， 0。］，
［0。， 0。， 0。， 0。］，
［0。， 0。， 0。， 0。］］）
torch。empty_like（input， 。。。） #返回與input相同 size， 並被未初始化的數值填充的tensor
>>> a = torch。Tensor（［［1，2，3］，［4，5，6］］）
>>> torch。empty_like（a）
tensor（［［0。， 0。， 0。］，
［0。， 0。， 0。］］）
14. 隨機生成
torch。normal（mean， std， out=None）
>>> torch。normal（mean=0。5， std=torch。arange（1。， 6。））
tensor（［ 0。7295， -0。9491， -1。9996， 4。0057， -2。6932］）
torch。rand（*size， out=None， dtype=None， 。。。） #返回［0，1］之間均勻分佈的隨機數值
>>> torch。rand（2，3）
tensor（［［0。3537， 0。9894， 0。0231］，
［0。3032， 0。1898， 0。9811］］）
torch。rand_like（input， dtype=None， 。。。） #返回與input相同size的tensor，填充均勻分佈的隨機數值
>>> a = torch。rand（2，3）
tensor（［［0。2030， 0。7614， 0。6949］，
［0。7133， 0。3333， 0。4325］］）
>>> torch。rand_like（a）
tensor（［［0。7307， 0。7065， 0。8321］，
［0。2001， 0。8140， 0。3055］］）
torch。randint（low=0， high， size， 。。。） #返回均勻分佈的［low，high］之間的整數隨機值
>>> torch。randint（low=0， high=10， size=［2，5］）
tensor（［［4， 4， 0， 3， 5］，
［9， 5， 6， 9， 0］］）
torch。randint_like（input， low=0， high， dtype=None， 。。。）
>>> a = torch。randint（low=0， high=10， size=［2，5］）
tensor（［［4， 8， 4， 5， 8］，
［5， 9， 8， 3， 8］］）
>>> torch。randint_like（a， low=10， high=20）
tensor（［［14， 18， 16， 19， 15］，
［10， 14， 10， 13， 17］］）
torch。randn（*sizes， out=None， 。。。） #返回大小為size，由均值為0，方差為1的正態分佈的隨機數值
>>> torch。randn（2，3）
tensor（［［ 0。6346， 0。0708， 1。4831］，
［ 0。1756， 0。3013， -2。2280］］）
torch。randn_like（input，dtype=None，。。。）
>>> a = torch。randn（2，3）
tensor（［［ 0。2087， 0。3215， -0。7790］，
［-1。0760， -1。1548， -1。1065］］）
>>> torch。randn_like（a）
tensor（［［ 0。2261， -0。2747， -0。5213］，
［-1。7855， -0。2093， -0。0597］］）
torch。randperm（n，out=None， dtype=torch。int64） #返回0到n-1的數列的隨機值
>>> torch。randperm（10，out=None， dtype=torch。int64）
>>> tensor（［9， 5， 2， 0， 1， 3， 8， 4， 6， 7］）
Reference
PyTorch 生成隨機數Tensor的方法彙總
zcyanqiu：pytorch入坑一 | Tensor及其基本操作
