pytorch的介绍以及张量的创建
一.前言
本节我们先来介绍一下pytorch以及一些小知识
世界科技巨头公司的特点分析
| 公司 | 核心特点 | 关键技术贡献 |
|---|---|---|
| Google | 持续开源+论文驱动，搜索霸主地位 | - 2003 Hadoop（大数据） - 2014 TensorFlow（AI框架） - 2017 Transformer - 2018 BERT |
| Meta | 工具导向型创新，低调但实用 | - Hive（大数据） - FastText（NLP） - PyTorch（动态图框架） |
| 微软 | 传统IT巨头转型成功，通过投资逆袭 | - 投资OpenAI实现AI时代逆转 |
| BATB | 中国科技企业快速追赶，AI领域差距缩小 | - 百度（PaddlePaddle）、阿里、腾讯、字节跳动 |
补充说明：
- Google的"被OpenAI压制"主要指2023年后在生成式AI领域的竞争态势。
- Meta的PyTorch已成为学术界主流（2024年arXiv论文占比超80%）。
主流深度学习框架对比
| 框架 | 特点 | 版本演进 | 适用场景 |
|---|---|---|---|
| TensorFlow | 静态图→动态图转型，企业级支持强 | 1.x（已淘汰）→ 2.x（主流） | 工业部署、移动端 |
| PyTorch | 动态图设计，开发者友好 | 1.3-1.10（稳定）→ 2.1+（新特性） | 学术研究、快速原型开发 |
| PaddlePaddle | 中文文档完善，与PyTorch高度兼容 | 兼容PyTorch API | 国内工业场景 |
| Caffe | 专注CV，配置复杂 | 已逐渐边缘化 | 学术研究（历史项目） |
关键结论：
- PyTorch已成为GitHub星标数最多的框架（2024年超60k stars）。
- PaddlePaddle迁移成本极低，适合中文开发者。
Python深度学习环境配置指南
推荐流程：
- 安装Anaconda
# 下载后直接运行安装包（默认勾选添加PATH） - 创建虚拟环境
conda create -n dl_env python=3.10 # 推荐3.10+版本 - 环境管理
conda activate dl_env # 激活 conda deactivate # 退出 - 包安装技巧
- 优先使用
conda install解决依赖冲突 - 示例：
pip install torch==2.3.0 --extra-index-url https://download.pytorch.org/whl/cu118 # 指定CUDA版本
- 优先使用
避坑提示：
- 避免混用
conda和pip安装同一包 - 虚拟环境与VMware无关（纯Python隔离）
PyTorch数据精度详解
默认规则：
| 数据类型 | 默认值 | 显式声明示例 |
|---|---|---|
| 整型 | torch.int64 | tensor = torch.tensor([1,2], dtype=torch.int32) |
| 浮点型 | torch.float32 | tensor = torch.tensor([1.0,2.0], dtype=torch.float16) |
精度选择建议：
- 训练阶段：必须使用
float32（数值稳定性） - 推理部署：可尝试
float16/int8（节省显存） - 特殊场景：
int64用于索引/标签
计算机随机数本质
技术原理：
import random
random.seed(42) # 设置种子可复现"随机"结果
print(random.random()) # 伪随机数生成关键特性：
- 确定性算法：基于梅森旋转算法等数学公式
- 种子依赖：相同种子→相同随机序列
- 应用场景：
- 游戏/模拟（可复现性重要）
- 加密领域禁用伪随机数（需硬件熵源）
扩展知识：
- 真随机数需依赖物理现象（如放射性衰变、热噪声）
- Linux系统通过
/dev/random采集硬件熵
以上内容已整合技术细节与行业现状，如需进一步探讨某个方向（如PyTorch 2.x新特性或框架性能对比），可提供更深入的分析。
PyTorch 是⼀个 Python 深度学习框架，它将数据封装成张量（Tensor）来进⾏运算。PyTorch 中的张量就 是元素为同⼀种数据类型的多维矩阵。在 PyTorch 中，张量以 "类" 的形式封装起来，对张量的⼀些运算、 处理的⽅法被封装在类中。
二.张量的基本创建
1. torch.tensor 根据指定数据创建张量
2. torch.Tensor 根据形状创建张量, 其也可⽤来创建指定数据的张量
3. torch.IntTensor、torch.FloatTensor、torch.DoubleTensor 创建指定类型的张量
import torch
import numpy as np
import random# 1. 根据已有数据创建张量
def test01():# 1. 创建张量标量data = torch.tensor(10)print(data)# 2. numpy 数组, 由于 data 为 float64, 下⾯代码也使⽤该类型data = np.random.randn(2, 3)data = torch.tensor(data)print(data)# 3. 列表, 下⾯代码使⽤默认元素类型 float32data = [[10., 20., 30.], [40., 50., 60.]]data = torch.tensor(data)print(data)# 2. 创建指定形状的张量
def test02():# 1. 创建2⾏3列的张量, 默认 dtype 为 float32data = torch.Tensor(2, 3)print(data)# 2. 注意: 如果传递列表, 则创建包含指定元素的张量data = torch.Tensor([10])print(data)data = torch.Tensor([10, 20])print(data)# 3. 使⽤具体类型的张量
def test03():# 1. 创建2⾏3列, dtype 为 int32 的张量data = torch.IntTensor(2, 3)print(data)# 2. 注意: 如果传递的元素类型不正确, 则会进⾏类型转换data = torch.IntTensor([2.5, 3.3])print(data)# 3. 其他的类型data = torch.ShortTensor() # int16data = torch.LongTensor()# int64data = torch.FloatTensor() # float32data = torch.DoubleTensor() # float64
if __name__ == '__main__':test02()三.创建线性和随机张量
1. torch.arange 和 torch.linspace 创建线性张量
2. torch.random.init_seed 和 torch.random.manual_seed 随机种⼦设置
3. torch.randn 创建随机张量
import torch# 1. 创建线性空间的张量
def test01():# 1. 在指定区间按照步⻓⽣成元素 [start, end, step)data = torch.arange(0, 10, 2)print(data)# 2. 在指定区间按照元素个数⽣成data = torch.linspace(0, 11, 10)print(data)# 2. 创建随机张量
def test02():# 1. 创建随机张量data = torch.randn(2, 3) # 创建2⾏3列张量print(data)# 2. 随机数种⼦设置print('随机数种⼦:', torch.random.initial_seed())torch.random.manual_seed(100)print('随机数种⼦:', torch.random.initial_seed())if __name__ == '__main__':test02()
四.创建01张量
1. torch.ones 和 torch.ones_like 创建全1张量
2. torch.zeros 和 torch.zeros_like 创建全0张量
3. torch.full 和 torch.full_like 创建全为指定值张量
import torch# 1. 创建全0张量
def test01():# 1. 创建指定形状全0张量data = torch.zeros(2, 3)print(data)# 2. 根据张量形状创建全0张量data = torch.zeros_like(data)print(data)# 2. 创建全1张量
def test02():# 1. 创建指定形状全0张量data = torch.ones(2, 3)print(data)# 2. 根据张量形状创建全0张量data = torch.ones_like(data)print(data)# 3. 创建全为指定值的张量def test03():# 1. 创建指定形状指定值的张量data = torch.full([2, 3], 10)print(data)# 2. 根据张量形状创建指定值的张量data = torch.full_like(data, 20)print(data)if __name__ == '__main__':test01()test02()test03()五.张量元素类型转换
1. tensor.type(torch.DoubleTensor)
2. torch.double()
import torchdef test():data = torch.full([2, 3], 10)print(data.dtype)# 将 data 元素类型转换为 float64 类型# 1. 第⼀种⽅法data = data.type(torch.DoubleTensor)print(data.dtype)# 转换为其他类型# data = data.type(torch.ShortTensor)# data = data.type(torch.IntTensor)# data = data.type(torch.LongTensor)# data = data.type(torch.FloatTensor)# 2. 第⼆种⽅法data = data.double()print(data.dtype)# 转换为其他类型# data = data.short()# data = data.int()# data = data.long()# data = data.float()if __name__ == '__main__':test()六.总结
在本⼩节中，我们主要学习了以下内容：
1. 创建张量的⽅式
1. torch.tensor 根据指定数据创建张量
2. torch.Tensor 根据形状创建张量, 其也可⽤来创建指定数据的张量
3. torch.IntTensor、torch.FloatTensor、torch.DoubleTensor 创建指定类型的张量
2. 创建线性和随机张量
1. torch.arange 和 torch.linspace 创建线性张量
2. torch.random.init_seed 和 torch.random.manual_seed 随机种⼦设置
3. torch.randn 创建随机张量
3. 创建01张量
1. torch.ones 和 torch.ones_like 创建全1张量
2. torch.zeros 和 torch.zeros_like 创建全0张量
3. torch.full 和 torch.full_like 创建全为指定值张量
4. 张量元素类型转换
1. tensor.type(torch.DoubleTensor)
2. torch.double()