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