PyTorch基础：Tensor类型张量的构建与相互转换

🌈 个人主页：高斯小哥
🔥 高质量专栏：Matplotlib之旅：零基础精通数据可视化、Python基础【高质量合集】、PyTorch零基础入门教程 👈 希望得到您的订阅和支持~
💡 创作高质量博文，分享更多关于深度学习、PyTorch、Python领域的优质内容！（希望得到您的关注~）

---

一、引言 🔥

  在深度学习和PyTorch框架中，张量（Tensor）是计算的基本单位。与NumPy数组类似，PyTorch的Tensor也是多维数组，但它可以在GPU上运行，从而加速计算。在PyTorch中，Tensor不仅用于存储数据，还用于执行各种数学运算。本文将详细介绍如何在PyTorch中构建Tensor类型张量，并探讨它们之间的相互转换。

二、Tensor的创建 🚀

  在PyTorch中，可以使用多种方法来创建Tensor。以下是一些常用的方法：

1. 从Python列表创建Tensor

import torch# 从Python列表创建Tensor
tensor_from_list = torch.tensor([1, 2, 3, 4, 5])
print(tensor_from_list)

输出：

tensor([1, 2, 3, 4, 5])进程已结束,退出代码0

2. 从NumPy数组创建Tensor

import torchimport numpy as np# 从NumPy数组创建Tensor
numpy_array = np.array([[1, 2], [3, 4]])
tensor_from_numpy = torch.tensor(numpy_array)
print(tensor_from_numpy)

输出：

tensor([[1, 2],[3, 4]])进程已结束,退出代码0

3. 使用torch.zeros和torch.ones创建全零或全一Tensor

# 创建全零Tensor
zeros_tensor = torch.zeros(3, 4)
print(zeros_tensor)# 创建全一Tensor
ones_tensor = torch.ones(2, 2)
print(ones_tensor)

输出：

tensor([[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]])
tensor([[1., 1.],[1., 1.]])进程已结束,退出代码0

4. 使用torch.rand和torch.randn创建随机Tensor

# 创建随机Tensor，值在[0, 1)之间
rand_tensor = torch.rand(2, 3)
print(rand_tensor)# 创建标准正态分布的随机Tensor
randn_tensor = torch.randn(2, 2)
print(randn_tensor)

输出（每次运行可能不同）：

tensor([[0.3052, 0.2928, 0.1918],[0.6436, 0.6674, 0.3006]])
tensor([[ 0.4397,  0.0961],[-0.2740,  0.3176]])进程已结束,退出代码0

三、Tensor之间的相互转换 🌈

  在PyTorch中，Tensor之间可以通过各种方式进行相互转换。以下是一些常用的转换方法：

1. Tensor与NumPy数组之间的转换

import torch
import numpy as np# Tensor转换为NumPy数组
tensor = torch.tensor([[1, 2], [3, 4]])
numpy_array = tensor.numpy()
print(numpy_array)# NumPy数组转换为Tensor
numpy_array = np.array([[1, 2], [3, 4]])
tensor = torch.from_numpy(numpy_array)
print(tensor)

输出：

[[1 2][3 4]]
tensor([[1, 2],[3, 4]])进程已结束,退出代码0

2. Tensor类型之间的转换

  在PyTorch中，可以使用.to()方法来转换Tensor的类型。例如，将Tensor从CPU转移到GPU，或更改其数据类型。

import torch# 创建一个CPU上的Tensor
cpu_tensor = torch.tensor([1.0, 2.0, 3.0])
print(cpu_tensor, cpu_tensor.dtype)# 将Tensor转移到GPU（如果可用）
if torch.cuda.is_available():gpu_tensor = cpu_tensor.to('cuda')print(gpu_tensor, gpu_tensor.dtype)# 更改Tensor的数据类型
float_tensor = torch.tensor([1, 2,3], dtype=torch.float32)
int_tensor = float_tensor.to(torch.int64)
print(int_tensor, int_tensor.dtype)

输出（如果CUDA可用）：

tensor([1., 2., 3.]) torch.float32
tensor([1., 2., 3.], device='cuda:0') torch.float32
tensor([1, 2, 3]) torch.int64进程已结束,退出代码0

3. Tensor的维度变换

  在PyTorch中，可以使用view, reshape, permute等方法来改变Tensor的维度。

import torch# 创建一个一维Tensor
tensor = torch.tensor([1, 2, 3, 4])
print(tensor)# 使用view方法改变维度为2x2
reshaped_tensor = tensor.view(2, 2)
print(reshaped_tensor)

输出：

tensor([1, 2, 3, 4])
tensor([[1, 2],[3, 4]])进程已结束,退出代码0

四、总结 🎯

  在本文中，我们详细介绍了如何在PyTorch中创建Tensor类型张量，并探讨了它们之间的相互转换。通过掌握Tensor的创建和转换方法，我们可以更加灵活地处理深度学习模型中的数据。

---

五、最后 🤝

  亲爱的读者，感谢您每一次停留和阅读，这是对我们最大的支持和鼓励！🙏在茫茫网海中，您的关注让我们深感荣幸。您的独到见解和建议，如明灯照亮我们前行的道路。🌟若在阅读中有所收获，一个赞或收藏，对我们意义重大。

  我们承诺，会不断自我挑战，为您呈现更精彩的内容。📚有任何疑问或建议，欢迎在评论区畅所欲言，我们时刻倾听。💬让我们携手在知识的海洋中航行，共同成长，共创辉煌！🌱🌳感谢您的厚爱与支持，期待与您共同书写精彩篇章！

  您的点赞👍、收藏🌟、评论💬和关注💖，是我们前行的最大动力！

  🎉 感谢阅读，祝你编程愉快！ 🎉