机器学习与深度学习 / 系统课时

创建与查看张量

创建与查看张量

张量是 PyTorch 中保存数据和参与计算的基本对象。本课直接练习从 Python 数据、固定填充值、随机分布和数值区间创建张量,并用形状与内容检查创建结果,避免在后续模型代码中因为形状或取值范围错误而返工。

学习目标

  • 使用 torch.tensor、torch.zeros、torch.ones 和 torch.full 创建常用张量
  • 使用 torch.rand、torch.randn、torch.arange 和 torch.linspace 生成随机或规则数据
  • 通过 shape、索引和 tolist() 检查张量是否符合预期

从已有数据创建张量

torch.tensor() 可以直接接收 Python 标量、列表或嵌套列表。嵌套层级决定张量维度,各行长度必须一致。实际项目中如果数值要参与神经网络计算,通常显式指定 dtype=torch.float32,这样不会因为输入是整数列表而意外得到整型张量。

python
import torch

scalar = torch.tensor(3.5)
vector = torch.tensor([1.0, 2.0, 3.0], dtype=torch.float32)
matrix = torch.tensor(
    [[1, 2, 3], [4, 5, 6]],
    dtype=torch.float32,
)

print(scalar)
print(vector.tolist())
print(matrix.shape)
print(matrix[1, 2].item())

预期输出

text
tensor(3.5000)
[1.0, 2.0, 3.0]
torch.Size([2, 3])
6.0

matrix[1, 2] 仍然是一个零维张量;当确实需要普通 Python 数值时使用 .item()。它只适用于仅含一个元素的张量,对多元素张量调用会报错。

创建固定值张量

已知目标形状而不关心初始数据时,优先使用专门的创建函数。参数中的 (2, 3) 表示 2 行 3 列,而不是传入两个数据值。

写法 结果 常见用途
torch.zeros(2, 3) 全部为 0 初始化累计量、掩码
torch.ones(2, 3) 全部为 1 权重模板、测试输入
torch.full((2, 3), 7.5) 全部为 7.5 指定常量填充
torch.empty(2, 3) 未初始化内存 立即覆盖全部元素时使用

下面的示例同时验证形状和填充值。

python
import torch

zeros = torch.zeros(2, 3)
ones = torch.ones(2, 3)
filled = torch.full((2, 3), 7.5)

print(zeros.tolist())
print(ones.sum().item())
print(filled.shape)
print(filled[0, 0].item())

预期输出

text
[[0.0, 0.0, 0.0], [0.0, 0.0, 0.0]]
6.0
torch.Size([2, 3])
7.5

创建随机张量

torch.rand 从区间 [0,1)[0,1) 的均匀分布采样,torch.randn 从均值为 0、标准差为 1 的标准正态分布采样。测试代码如果需要可复现结果,可以先调用 torch.manual_seed() 固定随机数生成器状态。

python
import torch

torch.manual_seed(7)

uniform = torch.rand(2, 4)
normal = torch.randn(2, 4)

print(uniform.shape)
print(bool(((uniform >= 0) & (uniform < 1)).all()))
print(normal.shape)
print(normal.dtype)

预期输出

text
torch.Size([2, 4])
True
torch.Size([2, 4])
torch.float32

固定种子适合单元测试和教学复现,但不要把它误解为所有设备、所有 PyTorch 版本都能产生逐位完全相同的随机结果。跨平台测试更适合检查形状、范围和统计性质。

创建指定范围的张量

需要整数步进时使用 torch.arange(start, end, step),其中 end 不包含在结果内;需要在起点和终点之间均匀取固定数量的点时使用 torch.linspace(start, end, steps),终点默认包含在结果中。

python
import torch

indices = torch.arange(0, 10, 2)
grid = torch.linspace(0.0, 1.0, steps=5)

print(indices.tolist())
print(grid.tolist())
print(indices.numel())
print(grid.numel())

预期输出

text
[0, 2, 4, 6, 8]
[0.0, 0.25, 0.5, 0.75, 1.0]
5
5

索引、类别编号和循环位置通常适合 arange;绘制采样点、构造连续区间测试数据时更适合 linspace。创建完成后至少检查一次 shape 或 numel(),可以及时发现把“步长”与“点数”混淆造成的尺寸错误。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

创建与查看张量

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通